中国股市高频数据的波动性研究 ——来自HS300指数的实证

论文摘要

近年来，金融市场发展迅速，市场中短时间内的交易越来越频繁，交易量也越来越大，以往利用低频数据所做的研究难以满足金融市场发展的需求。因此人们开始逐步转向对时间刻度要求越来越精细的高频数据领域。通常情况下，我们把高频数据分为两类，一是，采集频率较高的等时间间隔的日内数据，称为传统的高频数据；二是，逐笔交易和逐秒记录的数据，称为超高频数据。由于高频数据的采集频率较高，包含了大量的市场信息，因而是研究市场微观结构的重要因素。因此，研究金融市场高频数据有助于了解金融市场微观结构特征，同时还可以指导市场投资者进行投资，成为市场监督机构提供有利工具。本文以高频数据产生的背景为切入点，采用HS300指数为样本，主要从三个部分研究了中国股市高频数据的波动性。第一部分，首先阐述了高频时间序列的数据特征，然后采集1分钟、5分钟、10分钟、15分钟、30分钟、60分钟间隔的日内数据，对市场微观结构的高频数据的统计特征进行分析，研究收益率的日内模式。结果表明，微观市场收益率分布呈非正态性，并且采集的频率越高，非正态性越显著；同时还验证了高频时间序列的收益率有着明显的日内模式。第二部分和第三部分主要研究股市高频数据的波动性问题，对于波动性的分析主要是从空间上收益率的波动和时间上持续期的波动两个角度综合考虑的。在第二部分中，主要是在空间方向上用ARCH类研究时间间隔相等的高频数据波动幅度特征，通过模型的拟合对比，最终得出EGARCH（1,1）模型可以较好的拟合我国证券市场股指收益率的波动性特征，并且在当前形势下，利好消息对收益率波动的影响要大于利空消息。在第三部分中，我们引入ACD模型，在时间方向上研究时间间隔不相等的超高频数据的持续期。ACD模型将交易持续期看作是一个标记点过程，可有效解决超高频数据的建模问题。最终，通过模型的拟合对比，得出EACD（1,1）可以很好地研究交易持续期的自回归情况，并且在证券市场上，交易持续期存在着较强的聚类现象，现在的交易持续期对未来的持续期的影响可能会以指数形式递减。本文从高频数据的视角研究中国股市的波动性，主要有以下创新点：（1）利用多种频率的等间隔高频时间序列数据对比分析，研究市场微观结构随着数据采集频率的增加而出现的变化。（2）基于空间方向和时间方向从一个立体的角度分析中国股市的波动性特征。（3）采用ACD模型对超高频数据的交易持续期进行有效的分析，经过模型的对比研究，得出拟合我国交易持续期的模型。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题的背景及意义
• 1.1.1 选题的背景
• 1.1.2 选题的意义
• 1.2 国内外文献综述
• 1.3 本文主要研究内容及创新点
• 1.3.1 本文的研究内容
• 1.3.2 本文的创新之处
• 1.4 小结
• 第二章 高频金融时间序列数据的特征分析
• 2.1 高频时间序列的数据特征
• 2.2 我国股市的基本统计特征和日内波动效应
• 2.2.1 基本统计量
• 2.2.2 中国股指日内不同频率数据的基本统计分析
• 2.2.3 中国股指收益率波动的日内模式
• 2.3 波动性的定义和计量
• 2.3.1 波动性的定义
• 2.3.2 波动性的计量
• 2.4 小结
• 第三章 等间隔高频数据波动性的建模及实证分析
• 3.1 ARCH 类模型簇
• 3.1.1 ARCH 模型
• 3.1.2 GARCH 模型
• 3.1.3 GARCH--M 模型
• 3.1.4 非对称的 ARCH 模型
• 3.2 实证分析
• 3.2.1 样本的选择及数据的处理
• 3.2.2 数据的分析
• 3.2.3 建立模型
• 3.2.4 实证结果分析
• 3.3 结论
• 3.4 小结
• 第四章 超高频数据持续期的建模及实证分析
• 4.1 ACD 模型产生的背景
• 4.2 ACD 模型
• 4.2.1 条件密度过程
• 4.2.2 标准 ACD 模型
• 4.2.3 ACD 模型的类别
• 4.2.4 ACD 模型的进一步扩展
• 4.3 ACD 类模型对持续期的实证研究
• 4.3.1 数据的处理与分析
• 4.3.2 ACD 类模型的实证研究
• 4.3.3 结论
• 4.4 小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 不足与展望
• 参考文献
• 附录
• 攻读硕士学位期间取得的学术成果
• 致谢