理论教育 基准模型及其扩展模型的优化策略

基准模型及其扩展模型的优化策略

时间:2023-07-17 理论教育 版权反馈
【摘要】:首先采用标准的预测回归模型作为基准模型,即AR-RV模型,它可以表示为:αi表示带有I间隔的RV的相应系数。为了研究个体隐含波动指数的预测能力,在AR-RV模型中加入个体预测因子,这个模型作可表述为其中RVj,t表示t日的j隐含波动率指数。例如,将VIX模型添加到基准模型中时,就得到了AR-VIX模型。我们将所有隐含的波动指数加到AR-RV模型中,并将其命名为AR-KS模型。

基准模型及其扩展模型的优化策略

本书用已实现方差(Realized Variance,RV)作为实际市场波动的代表,这是由Andersen和Bollerslev(1998)提出的。日波动率可定义为日内收益率平方之和:

其中RVt代表t日的实际方差,1/M代表给定的采样频率,rt,k是t到k日的收益率。首先采用标准的预测回归模型作为基准模型,即AR-RV模型,它可以表示为:

αi表示带有I间隔的RV的相应系数。为了研究个体隐含波动指数的预测能力,在AR-RV模型中加入个体预测因子,这个模型作可表述为

其中RVj,t表示t日的j隐含波动率指数。βj表示j隐含波动指数的相应系数。例如,将VIX模型添加到基准模型中时,就得到了AR-VIX模型。值得一提的是,本书采用对数形式,因为对数RV的分布比RV的分布更接近于高斯分布。此外,使用滚动窗口进行预测。滞后顺序的确定是基于AIC信息标准的,它将根据新的窗口数据重新确定。换句话说,由每个窗口数据决定的滞后顺序可能不一样。我们将所有隐含的波动指数加到AR-RV模型(Kitchen Sink)中,并将其命名为AR-KS模型。AR-KS模型可以表示为:(www.daowen.com)

其中,J表示隐含波动率指数的总数。此外,为了同时包含来自多个预测因子的信息,使用主成分分析方法提取所有隐含波动指数中的共同信息,并设计了AR-PCA模型。AR-PCA模型可以编写为:

其中IVPCA,t代表t日9个隐含波动指数的第一个主成分,βPCA是相应的系数。

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