论文部分内容阅读
波动率的估计一直是金融计量和金融工程中的重要话题，在期权定价、资产组合最优化以及风险控制等方面，有着广泛的应用。
随着研究的逐步深入以及数据存储技术的快速发展，高频数据被逐渐运用到波动率的估计当中。高频数据的使用一方面可以使波动率的估计更加有效和直观化，另一方面也使常规的ARCH、GARCH类，SV类模型失效。对于如何使用高频数据估计波动率，研究者提出了许多方法，其中Merton(1980)提出的非参数估计方法—实际方差RV(RealizedVariance)以及扩展的实际协方差RC(RealizedCovariation)在理论以及实践中受到了极大的关注和应用。
实际方差以及实际协方差估计量可以通过加总日内高频收益的平方或者协积来获得，理论上的研究表明这两个估计量具有良好的统计特性，诸如一致性和渐进正态性。但是在实际当中，噪声的影响会使这些性质变弱、甚至丢失，估计量变得有偏和不一致。
Bandi&Russell(2004，2005)在假设噪声独立同分布的条件下，通过最小均方误方法平衡估计量的偏倚和方差，获得最佳抽样频率。本文在此理论框架下：
一方面通过蒙特卡罗模拟，分析了RV和RC随抽样频率变化的特征、基于最小均方误条件下RV和RC估计量的统计特征以及最佳抽样频率的相关统计特性。模拟的结果表明实际方差在低频下的偏倚较小，并且偏倚随着抽样频率的增加而变大，最佳抽样下的实际方差分布比较对称，但对数化以后的分布左偏，峰度较高，并且两者都拒绝正态性假设；实际协方差在较高频率下偏倚较小，分布对称，拒绝正态性假设，其最佳抽样次数明显高于实际方差的最佳抽样次数。
另一方面，我们对实际数据进行了实证研究，揭示了噪声波动率、真实波动率以及最佳抽样次数的统计特性及其相互之间的关系。实证中的结果表明：
(1)实际方差、实际协方差以及噪声波动率都是平稳序列；
(2)实际方差与实际协方差较接近正态分布；
(3)实际方差在较低频率下偏倚较小，实际协方差在较高频率下偏倚较小，并且实际协方差的最佳抽样次数明显高于实际方差的抽样次数；
(4)最佳抽样次数与噪声波动率以及信噪比呈负相关关系，而与真实波动率呈正相关关系；
(5)大的真实波动率能够引致大的噪声波动。
另外，本文还提出了基于理论框架下的实际数据处理步骤。首先去除无效的数据，譬如交易时间外的数据以及明显记录错误的数据；然后对数据进行预抽样，使得抽样后的数据符合假设条件；在预抽样数据的基础上，运用最佳抽样理论，计算估计量。