發(fā)布時間：2020-11-20 12:49

　　 隨著計算機技術(shù)的進步和發(fā)展,數(shù)據(jù)存儲和記錄的成本越來越低,人們可以獲得金融市場上每筆交易的實時數(shù)據(jù),即獲得采樣頻率越來越高的數(shù)據(jù),這些數(shù)據(jù)常被稱為高頻數(shù)據(jù)或超高頻數(shù)據(jù)。然而高頻數(shù)據(jù)交易的非等間隔使得傳統(tǒng)的計量經(jīng)濟模型并不適用于此。因此,針對高頻數(shù)據(jù)的久期,Engle和Russel(1998)提出了ACD模型。經(jīng)過20年的發(fā)展,ACD模型己經(jīng)得到了廣泛的應用。眾所周知,對于ACD模型的參數(shù)估計,目前運用最多的是極大似然估計(MLE)。對于MLE,只有在誤差的方差存在的條件下,才具有較好的統(tǒng)計性質(zhì),并且在估計過程中往往需要事先假設(shè)誤差服從某種已知的分布。然而金融高頻數(shù)據(jù)具有重尾的性質(zhì),這些數(shù)據(jù)的方差可能是無窮,這就使得直接假設(shè)誤差的方差存在顯得不合適,并且一旦事先假設(shè)的誤差分布與實際不符,得出的結(jié)論將會不可靠。為了解決MLE的缺陷,有學者提出了用最小一乘(LAD)估計去替代MLE,LAD估計結(jié)果雖然較MLE更加穩(wěn)健,但LAD估計給了離群點和正常點相同的權(quán)重,這也稍顯不合理。針對MLE和LAD估計存在的問題,本文采用自加權(quán)最小一乘(SLAD)估計對ACD模型進行參數(shù)估計,并在一定假設(shè)條件下證明了SLAD估計的漸近正態(tài)性。隨后在假設(shè)誤差服從Pareto分布、Burr分布和Frechet分布等重尾分布的情況下,進行數(shù)值模擬。通過對模擬結(jié)果進行比較分析,發(fā)現(xiàn)在數(shù)據(jù)方差無限且存在異常值時,SLAD估計結(jié)果的MSE最小且最穩(wěn)健。最后將SLAD估計用于滬深股市數(shù)據(jù),分別對青島海爾、百聯(lián)股份和寶信軟件三只股票的交易量久期和價格久期進行了研究,發(fā)現(xiàn)SLAD估計結(jié)果的AIC和MSE均小于MLE和LAD估計,由此說明SLAD估計更適合ACD模型的參數(shù)估計。
【學位單位】：浙江工商大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：F832.51;O212.1
【部分圖文】：

圖４．５：寶信軟件原始交易量久期?圖４．Ｇ：寶信軟件日內(nèi)效應??從圖４．１、４．３和４．５三張原始久期圖可以看出，原始交易量久期存在著明顯的聚??集效應，即大的久期后面跟著大的久期，小的久期后面跟著小的久期，并且久期的??波峰與波谷也交替出現(xiàn)。而從圖４．２、４．４和４．Ｇ三張日內(nèi)效應圖可以看出，交易量久??期存在著明顯的倒“Ｕ”型日內(nèi)效應，即在一天中久期呈現(xiàn)出先増后減的趨勢。日??內(nèi)效應出現(xiàn)這種趨勢是因為受隔夜消息的影響，上午開盤時掌握了大量交易信息??的投資者會及時調(diào)整投資而產(chǎn)生大量的交易，導致交易量久期較��；隨著消息的傳??播，其對交易的影響越來越小，在上午收盤時大部分投資者都會處于觀望狀態(tài)，交??易變?nèi)�，交易量久期就會隨之變大。??由于日內(nèi)效應會影響模型的效果，所以在建模前必須對原始的交易量久期進行??２６??

圖４．５：寶信軟件原始交易量久期?圖４．Ｇ：寶信軟件日內(nèi)效應??從圖４．１、４．３和４．５三張原始久期圖可以看出，原始交易量久期存在著明顯的聚??集效應，即大的久期后面跟著大的久期，小的久期后面跟著小的久期，并且久期的??波峰與波谷也交替出現(xiàn)。而從圖４．２、４．４和４．Ｇ三張日內(nèi)效應圖可以看出，交易量久??期存在著明顯的倒“Ｕ”型日內(nèi)效應，即在一天中久期呈現(xiàn)出先増后減的趨勢。日??內(nèi)效應出現(xiàn)這種趨勢是因為受隔夜消息的影響，上午開盤時掌握了大量交易信息??的投資者會及時調(diào)整投資而產(chǎn)生大量的交易，導致交易量久期較�。浑S著消息的傳??播，其對交易的影響越來越小，在上午收盤時大部分投資者都會處于觀望狀態(tài)，交??易變?nèi)酰�交易量久期就會隨之變大。??由于日內(nèi)效應會影響模型的效果，所以在建模前必須對原始的交易量久期進行??２６??

圖４．５：寶信軟件原始交易量久期?圖４．Ｇ：寶信軟件日內(nèi)效應??從圖４．１、４．３和４．５三張原始久期圖可以看出，原始交易量久期存在著明顯的聚??集效應，即大的久期后面跟著大的久期，小的久期后面跟著小的久期，并且久期的??波峰與波谷也交替出現(xiàn)。而從圖４．２、４．４和４．Ｇ三張日內(nèi)效應圖可以看出，交易量久??期存在著明顯的倒“Ｕ”型日內(nèi)效應，即在一天中久期呈現(xiàn)出先増后減的趨勢。日??內(nèi)效應出現(xiàn)這種趨勢是因為受隔夜消息的影響，上午開盤時掌握了大量交易信息??的投資者會及時調(diào)整投資而產(chǎn)生大量的交易，導致交易量久期較小；隨著消息的傳??播，其對交易的影響越來越小，在上午收盤時大部分投資者都會處于觀望狀態(tài)，交??易變?nèi)�，交易量久期就會隨之變大。??由于日內(nèi)效應會影響模型的效果，所以在建模前必須對原始的交易量久期進行??２６??
【相似文獻】

相關(guān)期刊論文 前10條

1 于鑫;霍春光;;基于久期模型的債券免疫策略分析[J];商;2012年11期

2 金仁江;;久期模型在財務中的應用[J];中國鄉(xiāng)鎮(zhèn)企業(yè)會計;2011年05期

3 楊長漢;;久期理論的創(chuàng)新運用[J];經(jīng)濟視角(中旬);2011年10期

4 蔡明超;張富盛;楊瑋沁;莫杰遙;;股票久期與資產(chǎn)組合的利率風險度量[J];上海管理科學;2011年02期

5 劉偉;陳敏;吳武清;;高頻數(shù)據(jù)交易量久期與價格變化的動態(tài)行為研究[J];數(shù)理統(tǒng)計與管理;2010年03期

6 王志強;張姣;;久期配比策略的免疫性分析——來自中國國債市場的經(jīng)驗證據(jù)[J];財經(jīng)問題研究;2009年11期

7 蔣瑤茜;;淺談商業(yè)銀行利率風險管理中的久期模型[J];時代經(jīng)貿(mào)(下旬刊);2008年12期

8 錢列飛;黃玲芳;;指數(shù)有效久期模型的建立及分析[J];經(jīng)濟研究導刊;2007年01期

9 雨燕;;金融雙語 關(guān)鍵利率久期[J];金融論壇;2007年02期

10 鄧超,左衛(wèi)豐;久期模型及其最新拓展[J];湖南商學院學報;2005年04期

相關(guān)博士學位論文 前9條

1 廖珊;固定收益證券風險對沖研究[D];天津大學;2012年

2 李彪;固定收益市場利率期限結(jié)構(gòu)建模及其應用研究[D];天津大學;2007年

3 王鋒;我國燃料油期貨市場久期及其應用研究[D];中國礦業(yè)大學;2011年

4 韓小龍;期轉(zhuǎn)現(xiàn)與中國商品期貨市場功能關(guān)系研究[D];天津大學;2009年

5 康書隆;國債利率的風險特征、變化規(guī)律及風險管理研究[D];東北財經(jīng)大學;2010年

6 楊建林;基于優(yōu)化方法的商業(yè)銀行利率風險管理研究[D];天津大學;2003年

7 李晶晶;基于Heath-Jarrow-Morton框架的利率風險管理方法研究[D];天津大學;2014年

8 劉艷萍;基于信用風險和利率風險的資產(chǎn)組合優(yōu)化模型研究[D];大連理工大學;2009年

9 熊春連;中國股票市場時變信息風險的測量與定價研究[D];天津大學;2013年

相關(guān)碩士學位論文 前10條

1 丁治全;基于久期模型的商業(yè)銀行利率風險管理研究[D];西北大學;2018年

2 陳超;基于三因子CIR模型的資產(chǎn)負債利率風險免疫模型[D];大連理工大學;2018年

3 吳夢雪;基于SLAD估計的ACD模型及其在滬深股市中的應用研究[D];浙江工商大學;2018年

4 孔元慧;隱含權(quán)益久期可以衡量股票風險嗎？[D];東北財經(jīng)大學;2018年

5 陳敏;久期模型在我國商業(yè)銀行利率風險管理中的應用研究[D];安徽財經(jīng)大學;2012年

6 崔頔;中國債券市場價格久期研究[D];清華大學;2010年

7 馬慶魁;債券的久期模型及其應用[D];吉林大學;2005年

8 劉忠彬;久期模型對我國債券價格估算精度的比較研究[D];天津財經(jīng)大學;2012年

9 左衛(wèi)豐;久期模型比較分析及其應用研究[D];中南大學;2005年

10 趙楓;中國股票市場價格久期研究[D];安徽大學;2013年

本文編號：2891437