(超)高频数据分析与建模

维普资讯 http://

统计研究S l t t lR嘲 t tl a tm rh c

加年簟 l期 lNo 1 . 1凇

( )频数据分析与建模超高郭兴义杜本峰何龙灿

ABs RAC T THi— e u n y d t n lssi a n w r s ac e d i n n ile o o er s hs p p rI ve 8 g f q e c aa a ay i s e e e r h f l n f a ca c n m t c .T i a e iw h r i i i￣ma n r s lsa u mprc lmak ta d e o o ti d l g o ih fe ue c aa, a d ag e b u i e u t bo te i a r e n c n merc mo ei fh s—r q n y d t i n n ru sa o t is p o p c n mp ra c n Ch n s n ca r e . t r s ta d i o t e i ie e f a ilma k t e n in

关键词：高频数据；实证金融；离散取值；A D C高频数据即指日与日内的数据，要针对以小时、主分价差等都具有这种“”走势。 u型 2波动率具有日历性 .日历性指周一到周五市场的波动率变化具有很强的“节性”动，季运比如基本都是一样的“”走势。这个结 u型果在 1中的文献里也有所涉及。 A dr nad B lre nes oes v o n l l (94研究了日历性与波动率的持续性之间的关系，们 19 )他证明了如果将数据中的日历性剔除，大大降低较低频则率数据中的持续性。A dr nadB lre (9 5 19 ) ne o ol s v 19,98进 s n el一

钟或秒为采集频率的数据。而超高频数据则指对交易过程实时采集的数据 (然是不等间隔的数据 )一般而显。言，融市场上的信息是连续性影响证券价格变化过程，金 离散模型必然会造成信息的丢失，据频率越低 .信息数则丢失就越多。Wod 20 )细讨论了国外金融研究中所 o (00详用的不同频率数据库的历史和对未来实证研究者的数据采集建议。中国目前 (我们所知 )内数据很难得到，据日 更不用谈超高频数据了。但是作为

一种先进的数据分析工具，高频数据分析迟早都将被中国的理论研究者和金融市场的管理者所接纳。一

步研究了日历性的主要影响因素，了时间刻度，除假

日、午间休市等影响因素外，规律性的宏观经济信息发布也是重要的日历性的产生原因。

般如 G R H等计量模型模型不能解释波动率的 AC

3价格序列具有极高的峰度 .在较低频率的数据中， A C模型是可以刻画一些 G RH峰度较大的数据特征的，如果峰度达到了 10以上，但 0那 G R H模型就远远不能刻画了。 A dr nad B u v AC n e o n 0e s (98实证表明随着日内数据频率的增加，数据的峰度 18 )其也是随之增加的，分钟数据，度就已经得到了 10以到峰 0上了。

驱动因素到底是什么，有通过高频数据分析才会发现只许多市场的微结构因素如实时交易的不等间隔 ( nl E g e (0 b )交易规则和指令流 (’ aa(95 )和一些交易 20)、 O H r 19 )、者的行为因素 (he e 2 0 )等是真正的价格产生波动 Siir(0 0 ) lf的原因。而这些发现无疑在理论研究或在政策建议方面都具有重要的研究价值。下面我们将把高频数据和超高数据分开讨论，为它们之间在模型分析而言存在着质因的区别。一

4价格序列一阶负相关性 .G o h r a dFg u l ( 9 1、 a i n o 19 b o d at n i i i 1 9 ) M i s a dWod( 9 1 ) lo nh

、

高频数据分析

实证了日内价格序列是具有负的一阶相关性的，别在特出现在一些跳点的情况下。 B l r e d D m wt( 9 3 o es va o o i 19 ) l l n z

对一些成熟市场如美国市场的高频数据实证分析已经得到一些典型的日内数据特征①,要有：主 1 .波动率日内“”走势 u型也就是说一般每日内的波动率都是开盘与收盘时高，间交易时间低。 Wode a(95利用分钟数据发现中 o t l18 )这一点， a s 18 )证实的确存在这种现象， d a

n H r (96也 i r A m tad i

再次从买卖寻价的数据中找到了这一特征。 Lw ad o n M tuum (96用 5分钟的频率数据验证序列的负相关 u sa y 19 ) h性，进一步证明了这种相关性具有非线性的特征。并 除了以上 4个主要的特征外，频数据自然还具有一高般的 A C R H特征 (宽尾、正态、动率聚集等 )对于如非波。

P e e r18 )理论模型出发证明了这一现象的合理 l de f i r (9 8从性。J i a d Jh 1 8、Mcns d Wod( 9 0、 9 l、 a n o n( 9 8) n ii a o 1 9 1 9 a hn

①样。

这里必须强调这些高频数据特征是从成熟市场的数据

中分析得到的，象中国这样的新兴市场可能特征表现很不一对

19 )别实证了其他交易变量如交易频率、易量、卖 92分交买

维普资讯 http://

郭兴义等：超 ) (高频数据分析与建模

2 9

高频数据的计量建模，目前还没有一种被大家普遍认可的模型框架，如在较低数据建模中的 A C模型一样。就 RH

相对而言，高频数据的建模工作似乎更加难上加难， 超目

前主要研究成果基本都是在最近 5年内的事情。

但理论界还是存在几类研究比较活跃的高频数据模型。其一为主要针对日历性的模型。 D cr n ta ao ga e l o ( 9 3 19 )为时间纬度是产生日历性的主要原因， 19,9 4认在

二、高频数据分析超对于象年度、或周等较低频率的数据而言，据的月数采集时刻和其在相应的在计量模型中所代表的时间可以完全一致的。但对于日数据就不太可能了，如每周有比两个星期休假日 (交易数据 )所以上周五交易日的数无，据和下周一的数据实际是相差了两个交易日，同于其不他相邻交易日数据之间的时间间隔。如果象在中国市场上碰上“一”“一”长假，前后交易数据之间间隔五、十等那时间就相差更大了。可以把这称之为“型时间与实际模

此基础上提出了一种时间变换模型 (ieD f m t