论文部分内容阅读
自从Black&Scholes(1973)建立期权定价公式以来，波动率就在风险管理、衍生产品定价以及资产组合等金融领域中扮演着至关重要的角色。在Black&Scholes(1973)的期权定价公式中，作者假定波动率是-常数，这一假设严重违背了金融数据的实证特征，现实金融市场的波动率不但随着时间的变化而变化，而且波动率还具有一些的典型特征——长记忆性，聚合性、不对称性等(Ghysels，Harvey&Renault(1996)，Poon&Granger(2003)等)。因此，在过去的几十年里，众多研究者和实际工作者广泛关注波动率的动态性质，深究资产收益率波动的背后驱动因素。
伴随着Engle(1982)的ARCH模型，众多条件异方差模型如雨后春笋般涌现出来，形成了基于平方收益的GARCH族和SV族模型。这些目前普遍使用的方法至多使用日频率的金融数据，并将波动率看成是不可观测的潜变量，通过建立模型来估计这些未知的资产收益波动率。众所周知，传统的潜变量模型有很多缺陷，例如，模型的参数估计困难，没有利用高频数据，标准化收益率不是正态分布或近似正态分布，预测不精确，且很难推广到多维情形。
最近，Anderson et al(2000)和其他经济学家提出一种新的非参数波动率估计方法，该方法利用日内高频信息，得到事后波动率的“可观测”估计量--已实现波动率。
标准形式的已实现波动率仅仅是给定时间区间上高频日内收益平方和的平方根，即高频收益率二阶非中心子样矩的平方根。在有效市场假设下，随着日内收益率的增加，日内收益平方和收敛到相应时间区间上的名义波动率或者可积波动率。因此，原则上，已实现波动率可以为我们提供一个一致的非参数波动率估计量。
已实现波动率估计量不依赖于任何模型，没有估计误差，因此我们可以将波动率看成一个“可观测”的变量，而不是GARCH(1，1)等模型所假设的潜变量。这样，已实现波动率就开创了波动率研究的新时代，它能够使我们直接分析、建模和预测波动率，并且许多复杂的动态模型也能方便地直接估计和最优化，再不用依赖于估计方法复杂的潜变量模型。更重要的是，从预测的观点来看，较好的波动率估计量能够很好地分析资产收益率波动的背后驱动因素，提高波动率的预测精度。
不幸的是，由于市场微观结构效应的存在，随着数据频率的增加，市场微观结构效应的干扰作用变大，对数资产价格也随之偏离扩散过程的假设。在分笔交易数据中，实际数据违背了已实现波动率的常规假设——无摩擦的连续价格过程，高频时间区间上计算的已实现波动率已不再是日波动率的一致估计。
尽管一些经济学家研究了市场微观结构效应影响下的已实现波动率估计和预测问题，但是他们的分析结论具有这样那样的缺陷。
首先，为了解决微观结构效应带来的高频估计偏度，许多学者认为估计波动率的频率不易过高。Andersen及其合作者在研究道琼斯30只股票的基础上，提出利用5分钟频率的数据度量已实现波动率，这样可以最大程度地减少微观结果效应的作用。之后，他们又提出了已实现波动率的“特征图”方法，用其选择最优的数据区间。然而，由于不同的子样区间以及不同的股票市场可能具有不同的最优数据区间，因此Andersen方法很难得到同一效度的波动率估计，同时该方法浪费掉很多高频数据。
其次，在波动率的建模中，通常利用已实现波动率的分整可积模型来刻画波动率的长记忆性，例如：ARFIMA、FIGARCH等模型。这类模型仅仅考虑数学公式的演算和推导，没有考虑模型的经济含义，同时，分整差分算子的利用使得模型构建区间加长，这样会损失很多原始观测数据，更重要的是，这些模型只能刻画证券市场价格过程标定规律的单重分形特点，而不能描述许多研究工作最近发现的多重分形特征。为了克服分整可积模型的缺陷，Corsi(2004)基于异质市场假说构建了已实现波动率模型，他将市场参与者的投资行为划分为三类，分别对应波动率的三个异质市场驱动因素，提出了不同波动率驱动成份的简单叠加模型，命名为HAR。虽然HAR模型简单，但模拟分析和实证分析都显示HAR模型能成功地刻画波动率的主要典型特征(长记忆性，重尾，自相似性，且HAR模型具有合理的经济解释。然而，根据异质市场假说，异质市场的驱动因素有很多成份，HAR模型实质上仅仅考虑了一种异质驱动因素——投资者投资行为，而没有考虑诸如投资者心理和市场交易机制等其他的典型异质市场驱动成份。因此，HAR模型也就没能完全刻画波动率的典型特征，例如：不对称效应等。
本文的第一个目的是利用高频数据的滤子技术，剔除市场微观结构效应的影响，给出纠偏后的新的已实现波动率度量。第二个目的是利用度量好的已实现波动率，在充分考虑多成份异质市场驱动因素的基础上，提出新的波动率模型——HAR-L-M模型，它能给我们提供优越并且简单易行的波动率预测方法。
首先，我们分析了分笔日内收益率的伪自相关系数，得出股票指数和个股具有不同的市场微观结构效应，个股主要受微观结构噪音的影响，股指除了受微观结构噪音影响之外，还受非同步交易效应的影响。因此，为了纠正已实现波动率估计的偏度，我们借助于外汇市场的指数加权平均滤子(EWMA)，剔除个股的市场微观结构噪音。对于股票指数，我们提出两阶段滤子法来消除市场微观结构效应，具体来说，在第一阶段，我们利用EWMA滤子剔除影响股指的微观结构噪音，在第二阶段，我们使用自回归滤子(AR)剔除影响股指的非同步交易，我们将此两阶段滤子方法取名为EWMA-AR滤子。通过分析过滤前后已实现波动率的阶行为，我们发现上述滤子方法能有效地纠正沪市的已实现波动率偏度。
其次，我们分析了股市已实现波动率的典型特征，包括收益率分布，波动率分布，波动率的非对称效应以及长记忆性等。
最后，为了克服HAR模型的缺陷，基于异质市场假说，我们除了考虑HAR模型的投资行为异质成份，还引入了另外两个异质成份——投资者投资心理和市场交易机制。正是由于这些的典型异质驱动因素，金融数据才显示出我们常见的典型特征，例如长记忆性，尖峰重尾性，自相似性和非对称性等。我们将此扩展的模型命名为HAR-L-M模型。模拟分析结果显示HAR-L-M模型能很好地刻画金融数据的典型特征，更符合中国股市的多重分析特征。模型估计和预测的分析结果也显示HAR-L-M模型具有很好的样本外预测能力，预测精度远远优于分整可积的长记忆模型以及HAR模型。