理论教育 沪港股市高频波动的建模优化

沪港股市高频波动的建模优化

时间:2023-07-17 理论教育 版权反馈
【摘要】:由表6-2可知,沪市相较港市,以上各序列均较大,而这些序列具有对每日波动的刻画能力,因此,沪市较港市具有较大的波动。而在滞后24阶的情况下,除了恒生指数RQ之外,沪港其余的RV等序列均显著存在自相关性,因此,运用HAR、HAR-J等具有刻画长记忆能力的相关模型对波动率进行建模具有合理之处,下文将继续讨论对RV的建模。

沪港股市高频波动的建模优化

根据HAR等模型的建模需要,计算RV、RQ、RJ、BPV等序列,具体的计算过程请参阅前文理论部分。沪港股市RV及RQ等序列的描述性统计如表6-2所示。由表6-2可知,沪市相较港市,以上各序列均较大,而这些序列具有对每日波动的刻画能力,因此,沪市较港市具有较大的波动。另外,根据Dickey-Fuller单位根检验结果可知,各序列均显示为平稳序列,因而可以对其进一步建模分析,为HAR等长记忆波动率建模奠定了良好的基础。而在滞后24阶的情况下,除了恒生指数RQ之外,沪港其余的RV等序列均显著存在自相关性,因此,运用HAR、HAR-J等具有刻画长记忆能力的相关模型对波动率进行建模具有合理之处,下文将继续讨论对RV的建模。

本书同时讨论前文所提到的普通的HAR、跳跃的HAR-J、新颖的CHAR和SHAR4种长记忆性模型的拟合效果。这里的估计是对整个样本区间,即2013年1月至2016年12月间的5分钟高频数据进行样本内建模。表6-3中展示了各模型对RV估计结果的统计分析,从表6-3中我们可以发现,HAR、HAR-J、CHAR和SHAR 4种模型的建模结果差异不大,沪市波动率的绝对值在24上下,而港市在4上下,由此可知,沪市的日内波动大致为港市的6倍左右。为了便于进一步运用Copula理论分析,这里对各模型的结果进行ADF单位根检验,其结果均显示各序列为平稳序列,因而可以对其进一步采用Copula函数进行建模分析。

表6-2 RV及RQ等序列的描述性统计

注:ADF为Dickey-Fuller单位根检验。(www.daowen.com)

表6-3 各模型对RV估计结果的统计分析

注:这里是各模型所预测的RV扩大了10 000倍后所得出的统计值,极差为最大值减去最小值。ADF为Dickey-Fuller单位根检验。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈