论文部分内容阅读
高频时间序列的分析与建模是金融计量学的一个全新研究领域。金融市场中高频时间序列分为两类:一类是采样间隔相等的数据,比如一小时、十分钟、五分钟、甚至是以秒为单位采集的按时间先后排列的等时间间隔的数据;另一类是指对交易过程实时采集的数据,也就是每笔交易的数据(显然是不等间隔的数据)。本文对两种类型的高频金融时间序列分别进行了研究,主要工作如下:1、以上证综合指数不同频率的数据为样本,研究了等间隔高频金融时间序列的统计特征并讨论了不同采样频率下数据集统计性质的不同。2、实证分析发现等间隔的高频金融数据存在着显著的周期性以及长记忆性,于是本文用一种改进弹性傅立叶方法(FFF)度量出周期。用对数周期图法(GPH)检验和估计序列长记忆行为。最后对去周期的收益序列建立了GARCH和EGARCH模型,较理想的拟合了价格的波动。3、综述了国际文献出现的各种描述不等间隔的高频金融时间序列的ACD模型及其扩展模型并将其分类。并对各种模型进行了分析比较,利用我国股市的分笔交易数据进行了实证分析。4、研究了ACD的一种重要扩展模型: SCD模型的统计特征,如高阶矩的存在条件以及自相关函数的性质,并将其与ACD模型进行了比较。5、在ACD模型的基础上引入ARMA模型,来描述交易的时间间隔和交易期间的收益两个时间序列之间的相互关系,建立了ACD-ARMA模型,给出了两个变量之间的联合分布密度函数以及估计方法。