matlab 已实现极差波动,高频数据的加权已实现极差波动及其实证分析

高频金融数据即指日内的金融时间序列,是以小时、分钟或秒为采集频率的、按时间先后顺序排列的金融类数据。一般而言,金融市场上的信息是连续性影响证券价格变化过程,离散数据必然会造成信息的丢失,数据频率越低,则信息丢失就越多。所以,高频金融数据比低频数据包含更多的信息,如微观市场结构信息等。金融资产价格的潜在波动一直是金融计量研究的中心议题之一。资本资产定价模型、套利定价等理论都与波动有着密切的联系,因此对金融市场波动的估计和建模研究十分重要。在低频时间序列中,ARCH类模型和SV类模型对金融波动进行建模和预测已经取得巨大的成功,各种应用研究成果不断涌现,并成为现代金融计量学飞速发展的一个重要领域,但是这两种方法不能直接应用于高频金融时间序列。已实现波动(realizedvolatility,简记RV)[1]是针对高频数据而开发的全新的波动率的度量方法,由于其无需模型和计算简单而受到大家关注。然而,在实际应用中由于受到微观结构等因素的影响,RV并不是积分波动(integratedvolatility,简记IV)的一致估计量,而是有严重的偏差[2]。为了提高对高频数据波动率的估计,文献[3]在极差理论的基础上给出了新的估计量。与已实现波动相对应,我们称之为已实现极差波动(realizedrange-basedvolatility,简记RRV)。同样地,已实现极差波动也具有无需模型和计算简单等优点。本文提出了另一种波动度量方法加权已实现极差波动,这样已实现极差波动是加权已实现极差波动的特例,并且证明了加权已实现波动是优于已实现极差波动的估计量。同时,本文还运用加权已实现极差波动对高频金融数据进行了分析。1已实现波动、已实现极差波动及比较1.1已实现波动和已实现极差波动低频收益的波动不能揭示金融资产价格实时的动态变化特征,高频数据包含了更加丰富的日内收益波动信息而日益受到关注。Andersen和Bollerslev等人基于高频数据提出了已实现波动[4-7],作为一种全新的波动度量方法已普遍流行。针对已实现波动的缺陷[2],最近文献[3]基于高频数据价格极差提出了一种新的高频波动估计量,我们称之为已实现极差波动。定义1[4-7]已实现波动为金融资产日内收益平方之和,即NRVt=n=1rt2,n(1)文献[4]、[5]、[6]、[7]以定理的形式给出了已实现波动和积分波动的关系,由定理可知:E(RVt)=IVt(2)定义2[3]已实现极差波动定义为RRVt=12Ni=1Spt2,i(3)文献[3]也以定理的形式给出了已实现极差波动和积分波动的关系,也由定理可知:E(RRVt)=IVt(4)从上面分析可知,基于价格极差的已实现极差波动是高频时间序列波动的新的估计量,其优点也在于不需要估计模型的参数,计算简便,而且在一定程度上弥补了已实现波动的不足和缺陷。1.2已实现波动和已实现极差波动有效性比较由前文介绍可知,已实现波动和已实现极差波动都是利用高频数据,对高频时间序列波动率进行估计,下面给出定理来说明已实现极差波动是更为有效的波动率估计方法。定理对于无套利市场中的金融资产的对数价格,如果满足下列过程:lnp(t)=(t)dt+(t)dW(t),t[0,T](5)且分别由式(1)和(3)定义的RVt和RRVt,则RRVt是比RVt更为有效的波动估计量。证明由式(2)和(4)可知:E(RVt)=E(RRVt)(6)下面讨论各自的方差。对于任意小的>0,根据式(5)有:r(t,)=lnp(t)-ln(p-)(t-)+(t-)W(t)则有:r2(t,)2(t-)2+2(t-