金融市場（超）高頻數據建模及與低頻數據對比研究.pdf

1、金融市場微觀結構領域中研究的高頻數據是指與日間或者更長時間間隔的數據相對而言的數據類型，是在交易日內采集到的交易價格、交易量等數據，主要針對以小時、分鐘為采集頻率的數據。而超高頻數據則指證券、外匯等金融產品交易過程實時采集的數據，顯然超高頻數據是不等間隔的數據。在回顧了高頻數據和超高頻數據研究現狀后，對以下方面展開研究： 1．Engle在1998年首次提出對不等時間間隔的超高頻時間序列建立ACD(Autoregressive C

2、onditional Duration)模型，之后多位計量經濟學家發(fā)展了Engle的模型，至今已出現十余種。模型的不統(tǒng)一給確定模型形式和比較不同模型之間的優(yōu)劣帶來困難。本文通過建立變結構分整增廣ACD模型，將ACD模型統(tǒng)一，并且給出該模型無條件矩性質，同時將遞階遺傳算法引入模型參數的估計問題中，最后通過上海股票市場的實際數據驗證了變結構分整增廣ACD模型及參數估計方法的有效性。變結構分整增廣ACD不僅囊括了現有文獻中出現的主要的ACD模

3、型，而且通過參數設定推導出幾十種新模型，豐富了ACD模型家族。 2．高頻數據是研究市場微觀結構的基礎，利用了日內交易信息，可以解釋價格波動行為的驅動力等低頻數據無法解釋的問題。本文利用風險價值(VaR)理論，通過計算后驗失敗統(tǒng)計量LR等指標證明，高頻數據同時也提高了模型的預測能力。 3．金融時間序列數據高峰厚尾特性使計量經濟學者在建立模型時不得不考慮找到合適的分布函數解決這個問題。本文對可以描述高峰厚尾特性的四種分布(N