基于LLM的金融市场波动率高频数据异常检测方法

金融市场高频数据包括时间序列数据和其他宏观经济指标,通常具有高维特征.其处理需要更复杂的算法,易产生较高的模型过拟合风险.基于此,提出基于局部线性映射(Local Linear Mapping,LLM)的金融市场波动率高频数据异常检测方法,对各个高频数据目标的日平均序列数据进行标准化处理,在数据筛选时,使用标准化处理设定相关阈值,将不同维度的数据转化为相同的尺度,并利用连通图算法,将具有边连接的金融市场波动率高频数据划分至一个群组内,计算待检测高频数据阈值,采用局部线性映射,完成金融市场波动率高频数据异常检测.实验结果表明:所提方法在TPR为0.98时,ROC曲线稳定运行,贡献因子为1.287,重构误差为1.6%,能够以最快速度使训练集异常检测的损失值达到稳定.

基于高频数据的地区宏观经济运行分析与调控机制

数智时代,地方政府通过开发利用市场主体活动产生的高频数据,搭建宏观经济大数据分析平台,构建可视化的预测分析指标体系,以实现对经济运行状态的前瞻性把握。但目前仍存在数据采集鸿沟、数据分析方法实用性不佳等困境。基于地方政府与技术手段的现实条件约束,建议重点优化经济数据归集汇总机制,在基于高频数据开展地区宏观经济分析时以增加经济运行分析的维度为中心,深化研究高频数据与分析预测对象之间的成分性关系,重点把握其结构性关系。最后,针对在经济预测结果可能不准确的前提下,对地方政府调度工作进行了探讨并建议应建立形成良好的激励机制。

基于高频数据和EN-LSTM的黄金期货短期波动率预测

以上海黄金期货2019—2020年期间的1分钟高频交易数据为样本,选取具有变量选择和长短期记忆特性的EN-LSTM,运用滚动时间窗口的样本外预测,对比不同数据频率的短期波动率预测模型对波动率的刻画和预测能力。实证研究表明:EN-LSTM能拟合上海黄金期货高频交易波动率特征;数据频率会对上海黄金期货短期波动率的预测带来显著影响,1分钟的数据频率预测精度明显高于更为低频的数据。研究结论有助于黄金期货市场参与各方分散和化解金融风险。

基于高频数据的GARCH模型拟极大指数似然估计的一种portmanteau Q检验

已有研究表明,基于高频数据的GARCH模型的拟极大指数似然估计可以提升估计精度,但鲜有研究就该估计量的性质推导其对应的检验统计量。文章基于高频数据的GARCH拟极大指数似然估计性质,提出一种portmanteau Q检验统计量,通过模拟验证了该检验统计量的理论正确性,并选取沪深300、中证500和上证50等3个指数进行了具体应用。结果显示,在模型充分时,文章提出的检验统计量的分布更近似理论推导的分布,优于基于低频数据的检验统计量结果,且由于包含高频信息,该统计量能更好地捕捉高频残差自相关性;而当低频残差自相关性时,即使相关性较弱,该统计量也能识别模型是否充分,对GARCH模型的阶数识别有一定效果。实证研究也表明,该检验统计量能对高频信息有效利用,具有一定的实用性。

基于高频数据PGARCH模型参数估计

本文使用日内高频数据对PGARCH模型进行估计:根据日内高频数据构造的波动率代表,探究PGARCH波动率模型的拟极大似然估计(QMLE)及其渐近分布。模拟研究和实证分析表明:基于高频数据的QMLE可以减小参数估计的方差,有效地提高估计效率。

基于ARCH族模型的股票超高频数据的波动性研究——以浦发银行为例

论文基于浦发银行股票的逐笔交易数据,利用ARCH族模型对其超高频数据中的波动性进行了研究。论文首先通过对数据的预处理和单位根检验,确保了数据的平稳性,随后应用多种ARCH族模型对波动性进行建模与比较,最终选择TGARCH(2,1,1)模型作为最优模型。该模型不仅能够捕捉数据中的波动集聚效应,还揭示了显著的波动非对称性。研究结果表明,浦发银行的股票收益波动性具有显著的持久性和杠杆效应,负面冲击对波动的影响大于正面冲击。基于这些发现,论文提出了加强高频交易监管、优化投资策略和强化风险管理等政策启示。

基于随机森林回归模型和高频数据的鄱阳湖子湖电导率预测

电导率是衡量水质的重要参数,高频监测获取水体中电导率对水质管理具有重要作用。由于野外条件的变化复杂性引起设备故障导致数据缺失时有发生,为优化野外监测体系和插补缺失数据,基于高频监测获取的气象和水体物理指标,结合机器学习模型,预测水体中电导率值。结果表明,随机森林回归模型预测效果最优,其决定系数R~2可达0.996,均方根误差R_(RMSE)为1.31μS/cm,平均相对误差M_(MRE)为0.38%;pH值贡献率最大,是影响电导率的主导因素。研究结果利于优化野外高频监测系统平台,健全高频监测数据,为水质管理提供科学依据。

高频数据特征提取方法研究综述

经过科技发展,数据采集和存储成本有了明显下降,通过使用新的计算方法、计算工具,数据变成了大数据,对大规模数据的分析研究也成为了可能,开始将时间刻度缩小,探究各个领域更深层次的特性,规律。这种采样频率高于一般研究采样频率的数据称之为高频数据。高频数据更能体现信息变化程度,能够提取出更有效预测的特征,通过不同的特征提取方法获得高频数据特征来研究各个领域的微观结构已经成为当今热门的研究课题。现将目前主流的特征提取方法分成四类,并对这四类方法进行介绍和述评。

基于张量CP分解的高频数据波动率矩阵预测

随着计算机技术的高速发展,高频数据的获取与存储不再是件难事,研究发现由于高频数据波动率矩阵包含了更多的信息,基于其估计的协方差会更加准确。高频数据的使用带来了微观结构噪声影响,并且资产的波动性具有较强的记忆性和持续性,投资者有异质特征,传统波动率矩阵的估计方法效果并不理想。同时,当总体维数超过样本容量时,传统的估计方法会面临维数灾难的问题。与以往预测方法不同,本文利用张量能够存储多维度信息、结构稳定等优点,与HAR模型相结合提出CP-HAR模型预测高频波动率矩阵。该模型构建思路为:首先计算T天的高频波动率矩阵Σ1,Σ2,……,ΣT并按天数“堆积”得到一个三阶张量X∈RTxIxJ,随后对该三阶张量CP分解,对其中刻画时间维度方向的因子矩阵深入探究,即利用HAR模型对其中T个时间序列的向量进行动态自回归建模,得到预测矩阵。最后通过得到的预测矩阵与前面CP分解得到的另外两个因子矩阵合并组成新张量Xn∈RFxIxJ,拆分看为F个IxJ的高频波动率矩阵即为预测的高频波动率矩阵。实证分析部分,选取沪深300成分股每5分钟高频数据,在资本资产定价Fama-French三因子模型的基础上,利用市值、账面市值比两个具有强解释能力的因子将所有股票分为25组,以每组为单位计算波动率矩阵并通过CP-HAR模型进行高频波动率矩阵的预测,得到65个波动率预测矩阵,并选取常见指标RMSE、MAE、MAPE以及R2评价预测效果。

基于高频数据的PGARCH模型的拟极大指数似然估计

作为GARCH族模型的重要拓展模型之一,PGARCH模型的估计往往采用基于日度数据的拟极大似然估计方法。为了探究高频信息对PGARCH模型估计的影响,基于Visser (2011)的研究,本文使用波动率代表模型来整合高频数据,并使用拟极大指数似然估计方法(QMELE)对PGARCH模型进行估计,同时探究了拟极大指数似然估计的渐近性质和模型估计效率的评判标准。模拟研究和实证分析证实,基于高频数据的拟极大指数似然估计有效地提升了PGARCH模型的参数估计精度,这说明基于高频数据的拟极大似然指数估计具有一定的应用价值。

以高频数据为特色 打造经济监测预测杭州样板

为增强经济运行研判的预见性和有效性,2020年4月,在杭州市发展改革委指导下,杭州市经济信息中心探索构建了以高频数据为特色的经济监测预测体系,通过全方位跟踪高频指标趋势,提升经济运行态势感知时效性。该体系运行三年来,持续为杭州经济复工复产、打好经济翻身仗等攻坚行动贡献力量,在全国的影响力不断扩大。

ACD模型及其扩展——金融高频数据计量模型的新动态

本文结合高频数据所表现出的独有特征系统地回顾了近年ACD(Autoregressive Con-ditional Duration)模型及其扩展在国际、国内的发展状况,展望了该模型的发展方向。

金融高频数据和超高频数据的研究现状及展望

金融高频数据和超高频数据的研究是金融计量学的一个全新的研究领域,研究的基本动因在于,一是对金融高频数据和超高频数据本身所具有的特征的关注,二是对理解金融市场的微观结构来说相当重要。当前这一领域从统计特征、"日历效应"、微观结构、建模等方面得到了一些研究的理论和实证成果。金融高频数据和超高频数据的研究中存在诸如:模型、微观结构误差等问题,未来金融高频数据和超高频数据研究趋势与方向应在波动持续性、风险度量等方面。

长记忆随机波动模型的估计与波动率预测——基于中国股市高频数据的研究

为了有效捕捉中国股市波动率的长记忆性,提高远期波动率的预测精度,本文基于中国股市高频数据建立了长记忆随机波动模型,检验高频数据中时变的"日历效应"成分的频率,有效地对"日历效应"进行滤波。使用频域内拟极大似然方法估计LMSV模型参数,为了提高计算效率应用混沌优化算法进行最优搜索。对比了高频数据直接建模和已实现波动率方法建模的预测结果发现,通过高频数据估计的LMSV模型可以很好保留高频数据中所包含的信息量,克服信息丢失问题,预测结果要优于已实现波动率方法建模预测的结果。

(超)高频数据分析与建模

High-frequency data analysis is a new research field in financial econometrics. This paper reviews main results about empirical market and econometric modeling of high-frequency data, and argues about its prospect and importance in Chinese financial market.

沪港通对大陆、香港股票市场波动溢出的影响研究——基于沪深300指数、恒生指数高频数据

采用沪深300指数和恒生指数高频数据,利用Barndorff-Nielsen的波动率分解模型、平稳性检验、Granger因果检验和VEC模型研究沪港通对大陆、香港股票市场波动溢出的影响。研究发现:沪港通之前,只存在香港股票市场整体波动、连续波动和跳跃波动对大陆股票市场连续波动的单向溢出;沪港通之后,存在大陆股票市场整体波动、跳跃波动对香港股票市场连续波动的单向溢出,且存在大陆股票市场连续波动和香港股票市场连续波动的双向溢出。

基于高频数据的金融市场微观结构实证研究综述

对高频数据在市场波动性、有效性和流动性等市场微观结构领域的实证研究及其引起的对一些传统的经济假设和理论框架所提出的质疑作系统介绍,并对这一研究领域作简要评述,最后提出高频数据对中国股票市场微观结构进一步实证研究的方向。

最小报价单位对我国股票市场流动性影响——基于高频数据的实证研究

最小报价单位是影响证券市场流动性的重要因素之一。利用上海证券交易所分笔交易数据,从价差、深度以及交易金额三个方面考察了最小报价单位对股票市场流动性的影响。实证结果表明,从总体上看,最小报价单位的变化将导致股票市场平均价差、深度和交易金额同向变化。按照股价大小将股票分组后发现:最小报价单位增加将导致低价股的价差和深度变大,交易金额减少;最小报价单位增大对高价股的价差没有显著影响,但会增大深度和交易金额,从而改善高价股的流动性。最后利用“分改厘”后基金流动性的变化验证所得结论。

中国资产价格跳跃行为研究——基于高频数据集的分析

利用日内高频数据,分别通过实现波动率模型和实现二次幂波动模型对资产价格的波动率和连续部分波动率建模,并据此得到资产价格跳跃部分的动态行为模型,分离出发生跳跃的天数、跳跃的大小和方向。结果显示,中国金融市场中的资产跳跃行为密集发生在市场波动性较大的时刻,其大小和间隔期均具有群聚现象,且五种代表性资产价格的跳跃密度均呈左偏分布,说明中国股权市场中向下发生的跳跃多于向上的跳跃。

中国股市回报波动性分析——高频数据揭示股市的特征

以MDH假设为基础,采用高频数据建立我国股市日内波动特征的理论模型。利用频域分析工具实证得出上海股票市场波动性的日内周期特征和长记忆特征。对滤波之后自相关函数进行回归,计算得到表征上海股市长记忆大小的d值。