金融高频数据分析的现状与问题研究

近年来,在西方国家对金融高频数据的分析已成为实业界和学术界的热点问题和难点问题。本文讨论了金融高频数据的概念和特征,分析了对高频数据分析的基本动因,阐述了金融高频数据分析已涉及的主要领域,探讨了金融高频数据分析中遇到的问题。最后,还对金融高频数据分析的发展趋势作出了展望并探讨了我国在这一领域应用研究的重点。

金融高频数据分析——扩展ACD模型实证研究

扩展的ACD模型是金融高频数据分析的一种重要方法。根据Hentschel(1995)关于建立非对称GARCH模型家族的方法,原始自回归条件期间模型(Autoregres-sive Conditional Duration,简称ACD模型)可以产生多种扩展类型。文章通过对中国石化价格期间的实证分析,表明现有ACD模型强加的约束条件与数据实证相矛盾,而且证实了由扩展ACD模型赋予的许多弹性。综合考虑所有的实证结果,通过LogL、AIC以及D检验值的对比,BCACD、EXACD、LACDⅠ三类模型实证结果的效果最好。

期权的期货复制与套利策略研究——基于金融高频数据波动率预测视角

期权的期货Delta复制,对于期权的风险管理、套期保值、套利策略制定都至关重要。本文从金融高频数据波动率预测视角,研究期权组合——碟式期权的期货Delta复制,结合移动平均思想构造了季度平均已实现波动率,利用ARFIMA模型建立了金融高频数据波动率ARFIMA预测模型,构建了相应的期货Delta复制策略。实证结果表明,与日波动率标准差等其他波动率度量相比,季度平均已实现波动率的预测最为准确;由季度平均已实现波动率构造的期货Delta复制套利策略,相对于其他波动率度量构造的复制套利策略,该策略投资夏普比较大、在险价值VaR最小、投D资elt成a本最小,综合投资效果最好。

基于金融高频数据与互联网资讯的股价预测研究

本文选取上证50成分股中的一部分股票作为对象,统计了日内金融高频数据以及各交易时间段互联网资讯数量。将这些数据作为自变量,股价当日与后一日的收盘价是否上涨作为因变量,采用BP神经网络进行训练,然后收集当天的自变量带入网络对明天的股价股价是否上涨作出预测。通过五天的实验,模型平均准确率为70%。

金融高频数据挖掘研究评述与展望

金融高频数据构成海量数据集,属于数据挖掘的研究范畴,然而在金融高频数据的研究中,数据挖掘技术尚未得到足够的重视。金融高频数据的研究目前主要集中于对波动率、交易间隔等特征的建模,最优抽样间隔的选择等应用领域,国内鲜有方法论框架下直接将金融高频数据作为研究对象的理论讨论与分析,这不可避免导致对高频数据认识上的一些误区和不一致。为此,本文对国内外金融高频数据的研究现状进行了剖析,澄清了金融高频数据的概念与特征,并从统计的视角重新审视了金融高频数据研究。在此基础上,提出了金融高频数据挖掘进一步的研究思路。

基于高频数据的金融波动率模型

金融高频数据和金融波动率是目前金融领域研究的热点问题。本文对基于金融高频数据的金融波动率估计量——"已实现"双幂次变差进行了建模和预测。"已实现"双幂次变差无模型、计算简便,在一定条件下是金融波动率的无偏估计量,并且具有稳健性和有效性。通过用上证综指对"已实现"双幂次变差进行ARFIMA建模,发现中国股票市场的上证综指"已实现"双幂次变差时间序列具有长记忆性。

金融高频数据仅仅是一个优质的时间序列吗:概念及统计特征的再考察

金融高频数据有助于探索市场的微观结构和价格的短期行为,同时也为验证市场有效性提供了有力的佐证。但是将金融高频数据简单理解为一个细化的时间序列的做法至少忽略了日内与日间两个不同维度各自所具有的分布特征,为此本文提出双重视角。同时,受市场微结构噪声、跳跃等因素影响,金融高频数据也并不是一个优质的时间序列。从经验和理论特征两方面研究了金融高频数据的基本统计性质。

金融超高频数据研究新进展

对超高频数据进行建模与分析,已成为国际、国内的金融学研究热点之一。最近几年,对金融超高频数据的研究有很多新的进展,通过对超高频数据的交易时间、标值两个方面的分析,较全面地总结了金融超高频数据研究新进展。最后对其研究的新进展予以简要的评析,并指出未来对金融超高频数据研究的方向。

高频金融数据的长记忆SV模型分析——基于FFF回归

高频金融数据的分析与建模是金融计量学的一个全新的研究领域。与低频数据不同,高频数据通常具有“日历效应”和波动长记忆性。本文在使用弹性傅立叶形式(FFF)回归技术消除“日历效应”的基础上,针对高频数据的波动长记忆性建立了长记忆SV模型,结果发现高频数据的波动持续性大大降低。

基于持续期模型对高频金融数据分析

本文意在研究高频金融数据具有的性质和特点以及时间序列持续期模型的适用性.利用中国石油2014年6月9日至6月18日8个交易日1分钟高频交易数据,用时间序列持续期模型进行分析,得到交易的相互依赖现象,说明股票交易期间的具有聚集效应.这说明短时间间隔伴随着短交易时间,长时间间隔伴随长交易时间.同时也说明股票交易具有间歇性频繁、平淡,也验证了持续期模型对研究高频数据的特性的合理性.

基于局部均值分解的高频金融数据波动率估计

为解决高频数据在风险评估中存在的非线性问题,提出了利用局部均值分解方法实现高频数据波动率估计。首先,采用高频模拟数据验证估计方法的可行性;其次,将沪深300指数不同频率收盘价作为研究对象,利用局部均值分解方法估计波动率,计算相对误差统计量。实验结果表明,利用局部均值分解方法可以有效实现高频数据波动率估计和解决高频数据中的非线性问题,随着抽样频率的增加,估计精度逐渐提高。该方法为高频数据波动率非参数估计提供了新的研究思路。

高频金融数据下二阶波动率阵的估计

文章针对高频金融数据波动率研究领域中出现的微观结构噪音和跳过程的双重影响问题,在对高频金融数据下单个资产跳-扩散定价过程中波动率研究的基础上,对资产定价过程中的跳和微观结构噪音分别进行考虑,得出了高频金融数据下2个资产跳-扩散定价过程中的二阶波动率阵的估计和其收敛速度,扩大了现有文献中相应的研究结果。

高频金融数据市场微观结构噪音误差

文章针对近年来高频金融数据在波动率研究领域的研究应用中出现的市场微观结构噪音误差影响严重的问题,以"已实现"波动率估计为载体给出了2种有效的市场微观结构噪音估算方法,即微观结构噪音的自协方差估计和以高频数据的"已实现"波动率估计市场微观结构噪音误差,并对两者通过蒙特卡罗模拟试验数据作了比较,得出了相应的结论。

基于高频数据的市场价格久期集聚特征分析

在金融高频数据中,价格久期反映了交易者的交易策略,从时间维度反映了信息的传导过程。文章采用股票交易的分笔数据,在自回归条件久期模型中引入信息交易特征变量:交易强度、每笔平均交易量和百分比买卖价差,分析价格久期集聚特征与市场信息交易之间的关系。

基于B样条分位数高频金融数据建模及应用

基于2018一2022年碳价、股价、外汇汇率和大宗商品小时单位数据,利用变系数模型和线性ARCH模型,构建了变系数风险度量模型,以资产相对成交量作为样条基函数,使用B样条分位数方法估计模型系数,测度高频金融数据的风险值,最后利用蒙特卡洛模拟验证了该估计方法的有效性和准确性。实证分析表明:资产相对成交量影响金融资产风险变动,B样条分位数方法的拟合成功率和误偏、误差值最小,拟合精度最高。

中国证券市场高频数据统计特征分析

近年来,在西方国家基于成熟证券市场高频数据的分析研究已经成为各界热点和难点问题。本文在描述国外成熟市场金融高频数据的统计特征基础上利用国内证券市场高频股票交易数据得到了交易价格、高频收益的统计特征以及自回归条件下的市场久期模型,通过实证深入探析了高频数据对于微观市场结构中市场信息交易的反映。

高频数据的加权已实现极差波动及其实证分析

高频金融时间序列的分析与建模是金融计量学的一个崭新的研究领域,已实现极差波动是针对高频金融时间序列而开发的一种全新的波动率度量方法。文章首先证明了已实现极差波动是比已实现波动更有效的波动估计量,然后基于日内波动的特征,给出考虑“日历效应”的加权已实现极差波动,并说明了已实现极差波动只是加权已实现极差波动的特例。最后,通过对深圳股市实证分析,证实了加权已实现极差波动是比已实现极差波动更有效的波动估计量。

上证380高频指数数据已实现GARCH(1,2)模型的风险测量

针对高频金融数据收益率序列的厚尾和偏斜性,建立了偏t误差分布假设下的R-GARCH(1,2)模型,对上证380指数5 min频率的高频数据进行了Va R预测,并与经典的正态分布和t分布误差假设下的R-GARCH(1,2)模型的预测精度进行了对比分析。结果表明,误差项服从偏t分布的R-GARCH(1,2)模型能够有效识别上证380指数收益率序列的分布特征,并且能够精确地测量其收益风险。

基于BP神经网络的股指收益率预测研究——以高频数据为样本

高频金融数据和金融资产收益率是金融计量学的一个全新的研究领域。目前,国内学者利用年、月、日等低频数据对股票市场的收益率进行了很多的研究,但是以日内高频数据为基础的研究还不多见。如何较准确地预测基于高频数据的股票收益率是进一步深入研究金融市场的基础,论文采用数据挖掘中的BP神经网络对沪深300指数高频数据中的日内收益率进行建模与预测。结果表明:神经网络模型对股票高频数据的日内收益率具有很强的预测能力。

Apriori关联规则分析金融数据

变化了十几年的我国股票行业,已经日益发展壮大,成为国民经济中不可或缺的部分,近些年股市的不断壮大也使其高风险性的特点日益突出,为此本文针对于金融高频数据的变化,收集2018年1月1日～2018年8月10日互联网行业股票数据的涨跌,并运用Apriori关联规则算法以及SPSS Modeler软件,分析了不同股票之间在相同时间的价格。结果表明,互联网行业股票的涨跌情况存在关系。继而帮助股票投资者及时预测出所投资的股票的涨跌情况,为其买卖决策提供支持。