带跳高频数据下高维积分波动率矩阵估计

资产的联合波动率矩阵是资源配置和风险管理的重要统计量,对其准确估计是金融统计和风险度量中的热点问题之一.本文在带有市场信息的微观结构噪声下,研究带跳对数价格的积分波动率矩阵估计问题.在多资产价格观察不同步下,当资产数和样本量都趋向于无穷时,利用不重叠区间方法和稀疏性特征提出高维积分波动率矩阵的4种估计方法,其收敛速度可以达到已存在高维积分波动率矩阵估计的最优收敛速度.同时,所提出的调整估计量具有相合性和半正定性.模拟研究中比较了这些估计量的优缺点,并将其应用于上海证券指数数据的实证研究中.

高频金融数据的高维积分波动率矩阵估计

高维积分波动率矩阵是资源配置和风险管理的重要统计量,对其估计是金融统计和风险度量中的热点和核心问题之一.本文在带有市场信息的微观结构噪声下,考虑了高频金融数据大量资产的积分波动率矩阵估计问题.在多资产价格观察不同步下,当资产数和样本量都趋向于无穷时,本文利用不重叠区间方法和稀疏性特征提出了高维积分波动率矩阵估计,证明了该估计量具有相合性,较在加性噪声下的估计具有更快的收敛速度,其收敛速度可以达到已存在高维积分波动率矩阵估计在无噪声下的最快收敛速度.对所提出的估计与现有的高维积分波动率矩阵估计进行模拟比较,结果表明本文提出的估计方法具有优良的性质.最后将提出的估计应用于上海证券指数数据的实证研究中.

金融高频高维数据的波动率矩阵估计:基于GARCH-Ito分组因子模型

在高频金融数据分析中,高维波动率矩阵的估计和预测十分具有挑战性,当金融资产存在自然的分组结构时,此问题尤为突出.为此,本文提出一种新的GARCH-Ito分组因子模型,将对数价格序列表示为共同因子、分组因子以及异质项,并通过将离散的广义自回归条件异方差(generalized autoregressive conditional heteroskedasticity,GARCH)结构嵌入特征值过程的波动率中,实现刻画数据波动率动态的目的.本文利用伪极大似然法得到模型的参数估计,建立极限理论,模拟研究表明其良好的有限样本性质.在实证研究中,利用上海证券交易所主板及深圳证券交易所创业板的股票高频价格数据,对比了不分组的模型及波动率矩阵的非参数多尺度已实现波动率(multi-scale realized volatility,MSRV)估计,对比结果显示本文模型具有更好的波动率预测效果.

高频数据下积分波动率矩阵的伪似然估计、预测及应用

研究目标:利用高频数据准确估计和预测高维积分波动率矩阵,并将矩阵的预测值应用于资产投资组合的构造中。研究方法:通过保留p×p维已实现波动率矩阵的特征向量,对积分波动率矩阵的特征值进行预测,本文将积分波动率矩阵的估计和预测问题转化为p个一维积分波动率的估计和预测问题。研究发现:对高维已实现波动率矩阵过于发散的特征值进行调整能够提高矩阵估计的准确性;对资产收益率的积分波动率矩阵建立动态模型可以提高矩阵预测的精度。研究创新:将高维矩阵的估计和预测问题转化为矩阵特征向量的估计以及一维特征值的估计和预测问题;基于高频数据并建立资产收益率积分波动率矩阵的动态模型提高了资产投资组合的样本外表现。研究价值:本文提出的积分波动率矩阵估计和预测方法能够保证矩阵估计值和预测值的正定性;本文的预测方法能够提高矩阵的预测精度,能够在复杂的金融市场中构造低风险的资产组合。