论文部分内容阅读
对金融资产收益的波动率描述和预测是现代金融学界和实务界研究的热点和难点问题。早期对波动率的研究主要集中在GARCH、SV及其扩展等低频模型，但无论是在描述还是预测波动率等方面，这些低频波动率模型表现得并不理想。近几年，以Andersen为代表的学者们提出的已实现波动率（Realized Volatility，简记为RV）以及基于已实现波动率构建的动力学模型（ARFIMA-RV或ARFIMA-LnRV模型）其对波动率的预测能力优于GARCH和SV等低频模型。但鉴于其缺乏明确的经济解释并在构建差分算子的过程中可能会导致的损失了大量交易信息的原因，Corsi等人基于异质市场假说提出了简单的已实现波动率异质自回归模型(Heterogeneous Autoregressive model ofRealized Volatility，简记为HAR-RV)。 本文在近年来高频波动率模型，尤其是HAR-RV等模型得到国内外学者们的广泛关注的背景下，结合Corsi等提出的C_TZ跳跃检验和Barndorff-Nielsen等新提出的符号跳跃变差(SJV)估计量，构建出了HAR-RV-SJV、HAR-RV-J-SJV、HAR-RV-CJ-SJV及HAR-RV-TCJ-SJV模型。然后进一步地，再把符号跳跃变差(SJV)分解为符号正、负向跳跃变差，重新构建出模型:HAR-RV-SJV-D、HAR-RV-J-SJV-D、HAR-RV-CJ-SJV-D及HAR-RV-TCJ-SJV-D。之后，以2005年4月8日至2013年6月30日沪深300指数的5分钟高频数据为例，采用相比SPA检验更为严谨的MCS检验方法，实证对比了上述12种高频波动率模型对中国股市波动率预测能力。实证结果显示:1、C_TZ统计量甄别出的跳跃次数远高于Z统计量的;2、符号跳跃变差不仅能提高模型的拟合精度，而且还有助于提升模型的预测能力;3、将符号跳跃变差分解为符号正向和负向跳跃变差，并作为解释变量加入到基础模型(HAR-RV、HAR-RV-J、HAR-RV-CJ和HAR-RV-TCJ)后，模型的拟合和预测精度得到明显提升。此外，符号负向跳跃变差对未来波动率的影响远大于跳跃正向跳跃变差的(|β SJV-|＞|β SJV|＞|β SJV+|);4、基于本文的MCS检验结果，我们发现，HAR-RV-TCJ-SJV-D模型是本文所涉及的12种波动率模型里面预测精度最高的波动率模型。 在文章结构方面，本文采取一般的硕士论文结构框架:第一部分是绪论，简要阐述了当今对于波动率预测的发展情况，以及本文预采取的研究路径;第二部分是关于波动率预测的现有国内外的文献综述;第三部分是关于跳跃、符号跳跃变差的测度以及相关的HAR类波动率预测模型的定义;第四部分是描述了波动率的预测方法，以及对其预测精度检验的方法;第五部分通过对样本数据的MCS检验，得出了最优的预测模型。最后是文章的结论与展望、致谢和文献综述。