论文部分内容阅读
股票市场是金融市场场的重要组成部分，股市日内交易记录作为超高频数据，每个数据都含有一定的市场信息，如何准确识别超高频数据中含有较多信息的点，对于揭示市场交易机制，控制市场风险具有重要的意义。首先，根据日内超高频数据自身的特点，本文首次将Cook局部影响分析方法应用于具有相关结构的EACD模型，推导出Cook影响矩阵的显式表达式。在此基础上，以深圳股票交易所的单支股票超高频日内数据为研究对象，对数据的强影响点进行有效识别，说明利用EACD(1，1)模型局部影响分析方法，能够准确识别出超高频数据中的强影响点。然后，在超高频数据强影响点识别的基础上，进一步讨论了局部影响分析方法对高频和超高频数据强影响点识别的稳健性，分别利用SV模型和EACD模型做了模拟分析和实证分析，结果表明在局部影响分析方法识别具有相关结构的强影响点时，即使模型参数估计的精度不高或识别过程中出现Smearin现象，此方法仍然能够准确识别强影响点。此外，从实证角度来看，局部影响分析不仅具有较好的稳健性，而且能够检验模型对于数据拟合的精度和参数估计的精度，为高频数据中影响点的进一步研究提供了理论依据。本论文首次利用超高频数据中强影响点，并依据大盘的走势，对个股2007年度交易的日 Duration(交易间隔)数据做了分段研究，结果发现A股市场单只股票交易的Duration数据的具有明显的日内效应和周效应，通过对Duration数据的效应分析说明日内duration均值和日 Duration均值含有一定的市场信息，与价格走势具有联动关系。最后，通过对个股日收盘价适当的修正，分别利用GARCH模型和SV模型对修正后的个股日收盘价数据进行了研究。数据分析表明，无论是GARCH模型的拟合效果还是SV模型的波动性，修正后数据效果都比较好。整体来看，全文通过从日内超高频数据强影响点的识别到日收盘价的数据性质的研究，构建了一套从微观到宏观的的理论分析和应用研究框架，并给出了完备的解决方案。