论文部分内容阅读
越来越多的研究结果表明,对于各种的期权定价模型来说,高频数据中蕴含了大量的标的物价格走势信息,在量化交易中比低频数据涵盖了更多的信息,因此在期权研究中越来越多的学者开始使用高频数据,高频数据在期权定价研究中越来越受到重视。使用日内高频数据来计算波动率,相比低频数据来说可以取得更好的效果。已实现波动率计算简单,无需参数估计,但是在波动率预测方面效果显著。可见,高频数据的应用有着重要的价值。本文研究中采用高频数据。以上证50ETF期权为样本,对GARV和ARV模型进行复现,对中国期权市场的已实现波动率进行研究。首先,对上证50ETF的已实现波动率序列进行描述性统计分析,然后对上证50ETF期权进行定价研究,并与传统模型进行进行对比。以期为量化投资科学决策,提供备选方案,同时,本文所选用模型算法实现具有一定的难度,本文的研究是对该领域现有研究的补充。本文发现,已实现波动率序列分布呈现尖峰后尾性,且极度右偏。已实现波动率序列不符合正态分布,而对已实现波动率取对数后发现,对数已实现波动率序列呈现出明显的波动集聚性特征,且服从正态分布。通过对2016—2017年两年的,到期月分别为六月和九月的上证50ETF期权定价实证,通过对比三个模型的定价走势和价差走势,可以发现:由于GARV和ARV模型的波动率是不断变化的,可以随着时间的推移而自动作出改变,利用已实现波动率进行期权定价,使用高频数据本身就可以获得更多关于资产价格变动的信息,可以随时修正模型定价误差,这也使得在使用GARV和ARV模型进行期权定价时,可以取得比BSM模型更好的效果的原因。