高频金融时间序列的模型化研究进展回顾.pdf

万方数据
高频金融时间序列的模型化研究进展回顾张洪水，，程刚椒锉騭咂凳莸耐臣铺卣第卷第数学的实践与认识摘要：从高频和超高频金融数据的基本统计特征出发，回顾了高频金融时间序列模型化研究的发展历程及相关特征，并详细介绍了高频数据模型研究中针对久期序列建立Ｐ妥宓难芯坑虢梗訟模型族，介绍了两种主要类型：强Ｐ秃腿魽模型．最后展望了高频金融时间序列中Ｐ偷难芯浚关键词：高频金融时间序列；类模型；久期；Ｐ信息技术的发展使得数据获取和处理方法获得了长足的进步，除传统的以年、月、周、日为频率采集的金融数据外，人们越来越容易获取更微小时间范围内缧∈薄⒎种印⒚的观测数据．通常，人们把以小时、分钟或秒为频率所采集的数据称为高频数据，而把交易过程中实时交易的数据称为超高频数据．这些数据的获取对于研究市场微观结构和运行机制具有重要的理论和实践意义．一般而言，金融市场上的信息是连续影响证券价格变化的，基于离散采集的数据序列必然会造成信息的丢失，而数据频率越低，相关信息丢失就越多，所以，高频数据比低频数据包含更多的信息，如市场微观结构及日内现象的信息等．在金融低频时间序列的波动性度量研究领域，模型及其扩展形式和随机波动模型及其扩展形式是两类非常成功的方法．而研究结果表明它们并不适合直接用于高频金融时间序列的建模．例如，金融时间序列的波动率的驱动因素是燃屏磕Ｐ湍岩越沂的，而通过对高频数据的分析，人们发现许多市场的微观结构因素和一些交易者的行为因素才是使价格产生波动的真正原因，如实时交易的不等间隔、交易规则和指令流等【浚庑┓现无疑具有重要的研究价值．考虑到高频数据和超高频金融数据之间在模型分析上质的区别，下面我们将把它们分开讨论．高频金融时间序列的生成以及采集机制决定了其独有的特征，主要包括以下龇面：超高频的交易的时间记录间隔往往不是均等的．金融市场的交易是在随机的时点上年．中国科学院研究生院管理学院，北京．中国科学院研究生院数学科学学院，北京．中国科学院数学与系统科学研究院，北京收稿日期：资助项目：国家自然科学基金；上海市智能信息处理重点实验室开放课题．甆
万方数据
咂凳菽Ｐ突芯糠椒进行的，因而间隔不是均等的．建立在等时间间隔观测基础上的传统计量经济模型鏏模型和模型薹ň访枋稣庵址堑燃涓舻氖奔湫蛄械男灾剩堑燃涓羰毙蛞餐怀了交易之间的持续时间的重要性．交易记录时间的不一致性．随着交易记录的时间刻度的精确化和机械化，同一时间的交易可能会因为交易系统或数据传输的原因在不同时刻发布并记录；而不同时刻的交易则有可能在同一时刻被合并发布，高频数据的时间间隔的随机性因而增加．离散取值．在时间刻度趋于连续化的高频数据记录中，因为交易机制的原因，所记录的价格数据却是离散观测值，如中国沪深股市的最小价格变动单位是分，美国股价变动最小单位是美元．海量数据．高频数据的记录中，在交易活跃的时段会有多笔交易同时发生，它们往往伴随着不同的价格变化，而以秒、分来计量的交易时间则显著的延长了时间序列的长度．除拥有与日度、周度或者月度等低频金融时间序列相似的特征如厚尾、非正态、波动率聚集等之外，高频金融时间序列也表现出一些典型的统计特征，主要表现如下：“日历效应”．在成熟市场中，波动率、交易量、买卖价差、交易频率等金融指标在一个交易日内表现出稳定的、周期性的驮硕Ｊ絒，即一天中早上、下午开市、闭市时高，中午时间