高频金融时间序列的异象特征分析及应用——基于多重分形谱及其参数的研究

文章首先从理论上推导出金融资产价格的高频时间序列出现大幅震荡前后多重分形谱所具有的异象特征,然后随机选取两只股票(民生银行、哈飞股份)各35天的5min高频交易数据对上述特征进行实证分析。结果表明,两只股票在持续大幅波动开始与结束时,其多重分形谱形态及参数的变化与理论上的异象特征相吻合。运用该研究方法可以对金融资产持续大幅波动的开始及结束做出一定预测。

高频金融时间序列的协同持续关系研究

对向量高频时间序列的“已实现”协方差阵提出相应的模型并建立了“已实现”向量自回归模型.应用Bollerslev和Engle提出的持续和协同持续概念,讨论了“已实现”向量自回归模型存在线性协同持续的充要条件和寻找这种线性协同持续向量的方法,在此基础上进行了实证分析,表明沪深两股市之间不存在线性协同持续关系.最后指出协同持续概念在动态组合投资、风险规避策略中的意义和作用.

高频金融时间序列研究:回顾与展望

高频金融时间序列的分析与建模是金融计量学的一个全新的研究领域。论述了迄今国际相关文献中几乎所有关于高频金融时间序列的理论和实证研究成果:高频时间序列的模型化方法、日历效应、"已实现"波动和ACD模型,指出了研究中存在的问题,展望了高频时间序列的研究趋势。

基于支持向量机的高频金融时间序列预测

支持向量机(support vector machine,SVM)方法是建立在统计学习理论的VC(Vapnik-Chervonenkis)维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(对特定训练样本的学习精度)和学习能力(无错误地识别任意样本的能力)之间寻求最佳折衷,以求获得最好的推广能力.基本原理是,以二维数据为例,如果训练数据分布在二维平面上的点,它们按照其分类聚集在不同的区域.通过训练,找到这些分类之间的边界.利用SVM方法,针对上海期货交易所挂牌交易的2011年期货铜主力合约500 ms每tick的高频数据进行分析.分析结果表明,SVM方法可以取得较好的预测效果.

多维高频时间序列的波动持续性质研究

本文对多维高频金融时间序列的“已实现”协方差阵提出相应的模型并进行建模,在此基础上研究了波动持续性质;讨论了高频时间序列的协方差平稳性与波动持续性的关系,同时证明了基于高频数据的协同持续定义与Bollerslev和Engle提出的协同持续概念具有内在的一致性;扩展线性持续到非线性情况,讨论了它们之间的内在关系,指出了持续性质在动态组合投资、风险规避策略中的意义和作用。

高频金融时间序列的模型化研究进展回顾

从高频和超高频金融数据的基本统计特征出发,回顾了(超)高频金融时间序列模型化研究的发展历程及相关特征,并详细介绍了高频数据模型研究中针对久期序列建立ACD模型族的研究与进展.对ACD模型族,介绍了两种主要类型:强ACD模型和弱ACD模型.最后展望了高频金融时间序列中ACD模型的研究.

基于高频金融时间序列特性的金融项目风险测度研究

高频金融时间序列特性的研究主要包括采样频率研究、波动性研究、价格发现研究、流动性研究等几个方面,通过对高频金融时间序列特性的研究,可以在金融项目中对风险进行有效测度。因此,以分析高频金融时间序列在金融项目风险测度中的应用为基础,分析其所具有的优势、劣势、机会及威胁,能够对未来的研究提供一定的帮助。

基于“已实现”高阶矩的动态组合投资分析

为度量高阶矩风险的时变特征,将高频"已实现"二阶矩扩展到"已实现"高阶矩,给出一元及多元"已实现"高阶矩的计算方法;基于效用函数的Taylor展开解决了动态资产配置问题;将"已实现"高阶矩风险测度应用于动态组合投资分析中,推导出带有高阶矩风险的动态投资组合策略,弥补了传统组合投资理论没有考虑高阶矩风险和静态处理问题两大缺陷。选取中国股市的高频金融时间序列进行实证,结果显示高阶矩风险存在波动聚集性,动态组合投资效果优于静态组合投资效果。

调整"已实现"波动率与GARCH及SV模型对波动的预测能力的比较研究

高频金融时间序列的分析与建模是金融计量学的一个全新的研究领域,"已实现"波动率是针对高频金融时间序列的一种全新的波动率的度量方法。为了降低"已实现"波动的测量误差,提出更有效的调整"已实现"波动。针对调整"已实现"波动的长记忆性和"杠杠"效应建立ARFIMAX模型。通过设定一系列标准,全面比较基于调整"已实现"波动的ARFIMAX模型、GARCH模型以及SV模型的预测能力。

基于RV的LMSV模型在中国股市中的实证研究

本文研究了金融高频时间序列的长记忆特征,介绍了已实现波动率、长记忆随机波动模型以及参数估计方法。由于长记忆随机波动模型(Long Memory Stochastic Volatility Model,LMSV)模型中参数较多,常用的参数估计方法不能解决参数估计问题,故采用半参数估计方法——Local Whittle估计。通过上海证券交易所上证综指2000年一2008年每五分钟的数据,选择ADF单位根检验验证了金融高频时间序列的平稳性,自相关图、重标极差法、对数周期图法验证了长记忆性,利用LMSV模型对中国股市的长记忆特征进行了参数估计,与广泛使用的自回归分整移动平均模型(Auto—Regressive Fractional Integrated Moving Average,ARFIMA)进行了对比,得到的长记忆参数d的估计结果均符合长记忆性的定义,发现LMSV模型在实际应用中的有效性。