金融高频时间序列分析
DESCRIPTION
金融高频时间序列分析. 李胜歌. 一、金融计量学 二、金融高频时间序列分析 三、基于高频数据的金融波动率. 一、金融计量学. (一)金融定量分析 金融计量学 ,是经济计量学的一个重要分支,主要是研究如何将经济计量学的基本原理与方法运用于金融领域,针对金融数据的特殊性,构造相应模型,以便实证检验金融理论和假设或者提提供金融预测。. (二)金融数据 1 、低频数据 二十世纪九十年代以前,人们对金融时间序列的研究都是针对日、周、月、季度或者年度数据进行的,这种金融数据在金融计量学研究领域通常称为低频数据。 2 、高频数据 - PowerPoint PPT PresentationTRANSCRIPT
金融高频时间序列分析
李胜歌
一、金融计量学
二、金融高频时间序列分析
三、基于高频数据的金融波动率
一、金融计量学
(一)金融定量分析
金融计量学,是经济计量学的一个重要分支,主要是研究如何将经济计量学的基本原理与方法运用于金融领域,针对金融数据的特殊性,构造相应模型,以便实证检验金融理论和假设或者提提供金融预测。
(二)金融数据 1、低频数据 二十世纪九十年代以前,人们对金融时间序列的研究都是针对日、
周、月、季度或者年度数据进行的,这种金融数据在金融计量学研究领域通常称为低频数据。
2、高频数据 近年来,随着计算工具和计算方法的发展,极大地降低了数据记录和
存储的成本,使得对更高频率的金融数据进行研究成为可能。 在金融市场中,高频率采集的数据可以分为两类:高频数据( high fr
equency data )和超高频数据( ultra high frequency data )。 高频数据是指以小时、分钟或秒为采集频率的数据。高频数据即日内
数据,是指在开盘时间和收盘时间之间进行抽样的交易数据,主要是以小时、分钟、甚至秒为抽样频率的、按时间顺序排列的时间序列。
3、超高频数据 超高频数据则是指交易过程中实时采集的数据。 高频数据和超高频数据两者之间的最大区别是:前者是等时间间隔的,
后者的时间间隔是时变的。 一般而言,金融市场上的信息是连续的影响证券市场价格运动过程的。
数据的离散采集必然会造成信息不同程度的缺失。采集数据频率越高,信息丢失越少;反之,信息丢失越多。
二、金融高频时间序列分析 对金融高频数据统计特征的研究 基于金融高频时间序列的波动性研究 微观结构噪声研究 最优抽样频率研究 基于高频数据的金融管理方面的应用研究
三、基于高频数据的金融波动率(一)“已实现”波动( Realized Volatility , R
V )
(二)“已实现”双幂次变差( Realized Bipower Variation , RBV )
(三) RV与 RBV的比较研究
(一)“已实现”波动( Realized Volatility , RV )
1、“已实现”波动的定义 2、“已实现”波动的理论基础 3、“已实现”波动的性质 4、“已实现”波动的应用 5、“已实现”波动估计量形式的改进及扩展
1 、 RV 的定义
Andersen 和 Bollerslev 提出 “已实现”波动( RV )的定义为:
M
j tjt yRV1
2, t=1,2,…,T
2、“已实现”波动的理论基础
基本条件就是金融市场中不存在风险套利的机会,这样金融资产的对数收益率就是一个特殊半鞅过程。
由特殊半鞅的性质,又可以将其进一步分解为可料有限变差过程和局部鞅过程,从经济意义上来讲,可料有限变差过程和局部鞅过程分别代表均值过程( Mean Process )和新息过程( Innovation Process )。
由二次变差的性质,收益率平方和的极限为金融资产对数价格收益的二次变差;
再由伊藤定理,可以得到二次变差与积分波动( Integrated Volatility, IV )的对应关系。
“ 已实现”波动就是收益率的平方和,这样就可以得出“已实现”波动的概率极限为积分波动。
3、“已实现”波动的性质 根据 Andersen 和 Bollerslev 等( 2000 , 2001 , 2001 , 2003 )对西
方国家发达金融市场的高频金融时间序列的研究,“已实现”波动通常具有下列性质:
( 1 )由于日内高频收益率之间存在序列相关和异方差性,所以“已实现”方差( Realized Variance )与“已实现”标准差( Realized Standard Deviation )的无条件分布都是极端右偏,而且具有极高的峰度。但是“已实现”标准差的偏度要比“已实现”方差的低;
( 2 )虽然“已实现”标准差的无条件分布都是极端右偏,而且具有极高的峰度,但是“已实现”标准差取对数后的无条件分布却很近似正态分布;
( 3 )虽然日间收益率的无条件分布并非正态分布,具有明显的“高峰厚尾”性,但是日间收益率除以“已实现”标准差后的条件分布却近似是正态分布;
( 4 )以上三条性质都是针对每日的“已实现”波动而言的,然而对“已实现”波动的时间聚合性质的研究,即对每周,每两周,每三周及每月的“已实现”波动的研究中发现:在时间聚合下,“已实现”波动的方差按
的尺度增长,其中表示时间跨度, d是常数; ( 5 )“已实现”波动的自相关系数按双曲线的速率缓慢下降; ( 6 )“已实现”波动取对数后的无条件分布是正态分布,具有显著的分
数维单整的性质。
12 dh
4、“已实现”波动的应用
“ 已实现”波动无模型、计算方便、并且是金融波动率的一致估计量,“已实现”波动在多变量的情形下还可以扩展为“已实现”协方差矩阵( Realized Covariance Matrix , RCM ),它不仅包括各变量自身的“已实现”波动率,也包括变量之间的“已实现”协方差。因此,“已实现”波动近年来被广泛应用于金融高频数据的应用研究中。
如: VaR 的计算;资产定价研究;运用“已实现”波动理论构建“已实现” Beta并对“已实现” Beta 的持续性和预测进行研究;进行动态投资组合研究等。
5、“已实现”波动估计量形式的改进及扩展
赋权偏差校正
(二)“已实现”双幂次变差( Realized Bipower Variation , RBV )
1、“已实现”双幂次变差的概念
2、“已实现”双幂次变差的概率极限
3、“已实现”双幂次变差统计性质的实证研究
1、“已实现”双幂次变差的概念
Barndorff-Nielsen 和 Neil Shephard 提出“已实现”双幂次变差( RBV )的定义为:
s
tj
rM
j tj
srsr
t yyM
hRBV ,1
1
1 ,
21,
0, sr
2、“已实现”双幂次变差的概率极限
Barndorff-Nielsen 和 Neil Shephard 指出在不存在跳跃和存在有限次跳跃的条件下,当 s=2-r 时,都有下式成立 :
ht
th urr
trrM
duRBV)1(
22,12
1lim )2,0(r
)2
1(
))1(2
1(
2 2
rr
r )( p 表示伽玛函数
3、“已实现”双幂次变差统计性质的实证研究 本节使用深证成指和上证综指两个市场的金融高频
数据来构建“已实现”双幂次变差,然后对该估计量的特性进行实证研究。该高频数据是从 2005.4.14 至 2006.4.14深证成指和上证综指的 1 分钟间隔时段内的收盘价,这期间共有 243 个交易日,共有241×243=58563 个数据。
“ 已实现”双幂次变差的参数 r 、 s 的取值只要满足 r+s=2 ,那么估计量的概率极限即为积分波动。因此,不失一般性的,本文选取了 r=s=1 、 r=1/2且 s=3/2 、 r=7/4且 s=1/4 时的“已实现”双幂次变差来研究估计量的统计特性。
图 3-1 r=s=1 时的深证成指的 1分钟
“ 已实现”双幂次变差的自相关函数图
图 3-2 r=s=1 时的深证成指的 5分钟
“ 已实现”双幂次变差的自相关函数图
0 20 40 60 80 100 120 140 160-0.2
0
0.2
0.4
0.6
0.8
1
1.2
滞后阶数
AC
F
0 20 40 60 80 100 120 140 160-0.2
0
0.2
0.4
0.6
0.8
1
1.2
滞后阶数
AC
F
当 r=s=1 时,从图 3-1 至 3-5 和图 3-6 至 3-10 中可以看到,深证成指和上证综指在抽样频率分别为 1 分钟、 5 分钟、 10 分钟、 30 分钟和 60 分钟的“已实现”双幂次变差时间序列的 150阶自相关函数,都是随着滞后阶数的增大而缓慢下降。当 r=1/2且 s=3/2 时,从图 3-11 至 3-15 和图 3-16 至3-20 中,以及当 r=7/4且 s=1/4 时,从图 21-25 和图 26-30中,可以看到深证成指和上证综指在抽样频率分别为 1 分钟、5 分钟、 10 分钟、 30 分钟和 60 分钟的“已实现”双幂次变差时间序列的自相关函数,也都是随着滞后阶数的增大而缓慢下降的。
同时,表 3-1 与表 3-2 中深证成指和上证综指分维数 d 的估计值也都显著不为零。这说明“已实现”双幂次变差时间序列为长记忆时间序列,并且具有分数维特性。
表 3-3 至 3-5 分别给出了当 r=s=1 时,当 r=1/2且 s=3/2 时,以及当 r=7/4且 s=1/4 时,深证成指在 1分钟、 5 分钟、 10 分钟、 30 分钟和 60 分钟的抽样时间间隔下,“已实现”双幂次变差 RBV 、标准差、标准差取对数以及用标准差将收益率标准化后的各个统计量的偏度、峰度和 J-B 统计量。
表 3-6 至 3-8 则分别给出了当 r=s=1 时,当 r=1/2且 s=3/2 时,以及当 r=7/4且 s=1/4 时,上证综指在 1 分钟、 5 分钟、 10 分钟、 30 分钟和 60 分钟的抽样时间间隔下,“已实现”双幂次变差 RBV 、标准差、标准差取对数以及用标准差将收益率标准化后的各个统计量的偏度、峰度和 J-B 统计量。
RBV RBV RBVr=s=1 RBV
偏度 5.3672 2.66520.9957
7-
0.0397
1分钟 峰度 42.942 14.504 4.7518 2.4683
J-B统计量 17022 1596.5 69.367 3.1482
偏度 5.7225 2.39830.5005
8 -0.001
5分钟 峰度 49.585 13.334 3.7223 2.4955
J-B统计量 22900 1288.6 14.868 2.7909
偏度 3.4994 1.60670.2666
9-
0.1021
10分钟 峰度 21.033 7.2891 3.1843 2.6063
J-B统计量 3719.7 284.36 3.0983 2.162
偏度 4.3444 1.5312 -0.1571 -0.165
30分钟 峰度 31.562 7.9326 3.395 2.3623
J-B统计量 8865.5 333.68 2.3514 5.461
偏度 2.8838 1.33860.0056
9 -0.129
J-B统计量 1399.9 116.76 2.5718 3.3542
ln yt/
表 3-3 r=s=1 时深证成指在各个抽样频率下的统计量特征
从表 3-3 至 3-8 中可以看出,无论 r 、 s取何值,都可以得出“已实现”双幂次变差具有如下的统计特性:
( 1 )“已实现”双幂次变差与标准差的无条件分布都是极端右偏,而且具有极高的峰度,但是标准差的偏度要比“已实现”双幂次变差的低;
( 2 )虽然“已实现”双幂次变差的标准差的无条件分布都是极端右偏,而且具有极高的峰度,但是“已实现”标准差取对数后的无条件分布在抽样频率不是很高时( 10 分钟以上),却为正态分布;
( 3 )虽然国内外的实证研究表明日间收益率的无条件分布并非正态分布,具有明显的“高峰厚尾”性,但是日间收益率除以“已实现”双幂次变差的标准差后的条件分布却近似是正态分布(由 J-B 统计量)。
通过对中国股市的深证成指和上证综指的高频金融时间序列的研究,从图 3-1 至 3-30 和表 3-1 至 3-8 中得到的“已实现”双幂次变差的统计性质,同 Andersen 和 Bollerslev 等对西方国家发达金融市场的高频金融时间序列的研究得到的“已实现”波动的性质是基本一致的。
(三) RV与 RBV的比较研究 “ 已实现”波动( Realized Volatility , RV )是 Anderson 和 Bollersle
v 等人基于金融高频时间序列提出的一种全新的波动率度量方法,该方法由于具有无模型、计算方便、并且在一定条件下是波动率的一致估计量等优点,近年来已被广泛应用于高频金融数据的研究中。“已实现”波动的概念和方法,近年来也获得不断的改进和发展。“已实现”双幂次变差( Realized Bipower Variation , RBV )是 Barndorff-Nielsen 和Neil Shephard 提出的另一类似于“已实现”波动的波动率度量方法,该估计量同样是波动率的一致估计量。
针对这两种文献中常被提及和讨论的有代表性的波动率估计方法,本节在定义形式、估计量的稳健性、有效性等方面对这两个估计量进行了比较,发现“已实现”双幂次变差的定义形式更广泛,除了具有稳健性,本节还证明了“已实现”双幂次变差比“已实现”波动更有效。
通过对深证成指和上证综指的实证研究,我们可以看出“已实现”双幂次变差的稳健性,同时也证实了“已实现”双幂次变差能更准确的估计金融股市收益率的波动。
1 、定义形式 Barndorff-Nielsen 和 Neil Shephard 提出“已实现”双幂次变
差( RBV )的定义为:
s
tj
rM
j tj
srsr
t yyM
hRBV ,1
1
1 ,
21,
0, sr
Andersen 和 Bollerslev 提出 “已实现”波动( RV )的定义为:
M
j tjt yRV1
2, t=1,2,…,T
当 r=0 , s=2 或者 r=2 , s=0 时, RBV 即为 RV,因此从定义形式上看, RV 是 RBV当参数取特定值时的特殊形式。
2 、稳健性Barndorff-Nielsen 和 Neil Shephard 指出在不存在跳跃和存在有
限次跳跃的条件下,当 s=2-r 时,都有下式成立 :
ht
th urr
trrM
duRBV)1(
22,12
1lim )2,0(r
)2
1(
))1(2
1(
2 2
rr
r )( p 表示伽玛函数
当不存在跳跃时,“已实现”波动的极限收敛到积分波动:
th
ht utM
duRV)1(
2lim
th
ht
N
Nkk
h h
uuhtuhtt cdwduy)1(
0 0 )1()1(
此时,“已实现”波动的收敛结果为:
假设加入跳跃后金融资产对数价格的日收益为:
th
ht
N
Nkk
th
ht utM
cduRV)1(
2
)1(
2lim
在有限区间上发生有限次跳跃后,若波动率估计量的估计结果不变,则认为该估计量具有稳健性。
在加入有限次的跳跃后,“已实现”波动与“已实现”双幂次变差的收敛结果不再相同,“已实现”波动的收敛结果中除积分波动以外,还包含了跳跃带来的对波动的影响,而“已实现”双幂次变差仍收敛到积分波动。同没有加入跳跃时相比,“已实现”波动的收敛结果发生了改变,而“已实现”双幂次变差则没有发生变化。
因此同“已实现”波动相比,“已实现”双幂次变差对波动特性的估计具有更好的稳健性。
3 、有效性
在一定条件下,“已实现”双幂次变差与“已实现”波动都是积分波动的一致估计量,那么“已实现”双幂次变差与“已实现”波动哪个更有效呢?本节给出三个定理:定理 3-3 证明了在每一点的波动相等的前提条件下,当 )2,0(r
入引理 3-1 后,定理 3-4 证明了当 r=1 时,“已实现”双幂次变差的方差小于“ 已实现”波动的方差;在证明了引理 3-2 后,定理 3-5 证明了当
时“已实现”双幂次变差的方差小于“已实现”波动的方差;在引
)2,0(r
并且 r+s=2 时,“已实现”双幂次变差的方差小于“已实现”波动的方差,而且当 r=1 时,“已实现”双幂次变差的方差最小。
RV 与 RBV 的有效性对比:
4 、实证研究
本节实证研究采用的高频金融时间序列的原始数据是 2005.4.14-2006.4.14深证成指和上证综指的 1 分钟间隔时段内的收盘价,这期间共有 243 个交易日,共有 241×243=58563个数据。
在深证成指 1 分钟间隔的对数价格序列中,找出相邻两个时间点差值绝对值最大的时间点分别为第 31149 个( t1 )和第 31331 个( t2) 时间点, t1 与 t1+1 时刻的对数价格差的绝对值为 0.0066 , t2与 t2+1 时刻的对数价格差的绝对值为 0.0065 。可以将 t1 与 t2看作对数价格序列中的跳跃点, t1 与 t2 分别对应于第 129天的第 60 个日内对数价格收益和第130天的第 1 个日内对数价格收益。
图 3-33画出了 [31100 , 31350] 区间上的对数价格收益路径,从图中可以看到时间点为 31149 ( t1 )和 31331 ( t2 )处发生了跳跃。
图 3-34画出了 [125 , 135] 区间上的“已实现”波动( RV )和“已实现”双幂次变差( RBV ),可以看出在第 130天和第 131天的位置上“已实现”波动( RV )明显的大于“已实现”双幂次变差( RBV ),这正是由于“已实现”波动( RV )此时还包含跳跃带来的波动,而“已实现”双幂次变差( RBV )描述的仅仅是积分波动。
图 3-33 深证成指 1 分钟数据在 [31100 , 31350] 上的对数价格路径图
在深证成指 1 分钟间隔的对数价格序列中,找出相邻两个时间点差值绝对值最大的时间点分别为第 31149 个( t1 )和第 31331 个( t2) 时间点, t1 与 t1+1 时刻的对数价格差的绝对值为 0.0066 , t2与 t2+1 时刻的对数价格差的绝对值为 0.0065 。可以将 t1 与 t2看作对数价格序列中的跳跃点, t1 与 t2 分别对应于第 129天的第 60 个日内对数价格收益和第130天的第 1 个日内对数价格收益。图3-33画出了 [31100 , 31350] 区间上的对数价格收益路径,从图中可以看到时间点为 31149 ( t1 )和 31331 ( t2 )处发生了跳跃。
图 3-34画出了 [125 , 135] 区间上的“已实现”波动( RV )和“已实现”双幂次变差( RBV ),可以看出在第 130天和第 131天的位置上“已实现”波动( RV )明显的大于“已实现”双幂次变差( RBV ),这正是由于“已实现”波动( RV )此时还包含跳跃带来的波动,而“已实现”双幂次变差( RBV )描述的仅仅是积分波动。
图 3-34 深证成指在时间区间 [125 , 135] 上的 RV 与 RBV
图 3-35画出了 [18701 , 18800] 区间上的对数价格收益路径,从图中可以看到时间点为 18771处发生了跳跃。图 3-36画出了 [71 , 80] 区间上的“已实现”波动( RV )和“已实现”双幂次变差( RBV ),可以看出在第 78天的位置上“已实现”波动( RV )明显的大于“已实现”双幂次变差( RBV )。
图 3-35 上证综指 1 分钟数据在[18701 , 18800] 上的对数价
格路径图
图 3-36 上证综指在时间区间[71 , 80] 上的 RV 与 RBV
为了说明定理 3-5 (有效性),分别求出“已实现”波动和 r=s=1 时的“已实现”双幂次变差,再任取 r≠1 时的“已实现”双幂次变差,不妨取 r=1/2,s=3/2 。
表 3-7 各种收益率序列的分布特征 10 分钟数据 YRVt YRBVt YRBV1t
均值 0.1 0.1 0.1
标准差 1.15 1.3 1.28
深证成指 偏度 -0.1 -0.1 -0.1
峰度 2.46 2.61 2.57
J-B统计量 3.08 1.99 2.48
均值 0.12 0.14 0.14
标准差 1.04 1.17 1.16
上证综指 偏度 -0.1 -0.2 -0.2
峰度 2.43 2.56 2.51
J-B统计量 4.04 3.06 3.73
从表 3-7 中可以看出, r=s=1 时的 YRBVt 的J-B 统计量最小,其次是 YRBV1t 的 J-B 统计量, YRVt 的 J-B 统计量最大。这说明用 r=s=1 时的“已实现”双幂次变差的标准差标准化后的日收益率的正态化程度最高,从而说明 r=s=1 时的“已实现”双幂次变差对真实波动率的度量更准确。对深证成指和上证综指两个市场的实证结果与定理 3-5 的结论相一致。
谢谢大家!