基于小波特征提取的高频面板数据聚类方法

高频面板数据在时间维度的频繁波动给聚类的准确性造成了很大干扰。综合考虑这一问题,从小波分解的角度提取了面板数据主成分降维后指标的综合得分序列,利用小波变换提取综合得分序列的"周期"特征、低频部分的"均值"特征与"趋势"特征、高频部分的"波动"特征,最后采用熵值法对这些特征进行赋权并利用赋权后的特征数据和系统聚类方法实现高频面板数据聚类。通过股票高频面板数据的实证分析表明,该方法的聚类效果良好。     

中国证券市场高频数据的动态特征

本文研究了上海证券市场高频数据的动态特征.首先用可变傅立叶回归证明并过滤出5分钟收益的周期性,并用GHP方法得到了长记忆维数的估计.结果表明,上海股市存在以日为单位的周期性特征和相当显著的长记忆性,这可以用微观市场信息不对称假说和定价机制得到说明.同时,还证明了可变傅立叶回归是分析高频数据的有效手段,是高频数据和低频数据研究方法转换的桥梁.     

经济时间序列频率转换方法的研究与应用

经济时间序列的频率转换是计量经济分析领域的一个重要研究问题.本文首先对不同经济指标类型(流量、存量和指数)及传统频率转换方法进行了系统梳理;在此基础上,重点介绍了3种低频向高频转换的前沿方法:Denton方法、Chow-Lin方法和Litterman方法,并给出了流量、存量和指数3种类型变量由低频(季度)向高频(月度)转换的实例;最后,对3种频率转换方法的数据转换质量进行了比较分析.研究显示,频率转换后的月度数据都较好地反映季度数据的变化趋势和波动特征,从而通过频率转换方法可以很好地解决由于收集到的数据类型不一致而无法建模的问题.     

基于金融高频数据的VaR研究

选取具有良好统计性质的金融波动率估计量来构建VaR,,可以使市场风险的度量更为准确.高频数据由于比低频数据包含了更多的市场信息,因此基于高频数据的金融波动率估计量更为准确.但是基于高频数据的波动率估计量为数众多,目前仅有对各个估计量本身性质的比较研究,在应用于VaR的研究中如何选取估计量使得VaR的计算更为准确则不得而知.因此,文章选取了高频数据下的若干个有代表性的金融波动率估计量,进行VaR值的计算,并对其结果进行了比较研究,同时进行了持续性分析.通过实证研究表明V2R序列具有持续性,其中由赋权"已实现"双幂次变差计算所得的VaR值更准确,从而为VaR的精确计算和正确建模提供了依据.     

基于BP神经网络的股指收益率预测研究——以高频数据为样本

高频金融数据和金融资产收益率是金融计量学的一个全新的研究领域。目前，国内学者利用年、月、日等低频数据对股票市场的收益率进行了很多的研究，但是以日内高频数据为基础的研究还不多见。如何较准确地预测基于高频数据的股票收益率是进一步深入研究金融市场的基础，论文采用数据挖掘中的BP神经网络对沪深300指数高频数据中的日内收益率进行建模与预测。结果表明：神经网络模型对股票高频数据的日内收益率具有很强的预测能力。     

ACD模型及其扩展--金融高频数据计量模型的新动态

本文结合高频数据所表现出的独有特征系统地回顾了近年ACD(Autoregressive Conditional Duration)模型及其扩展在国际、国内的发展状况,展望了该模型的发展方向.     

新型模糊时间序列模型与应用

为了提高模糊时间序列的预测精度,文章利用小波分析多尺度分解方法,选择适当的小波函数,把一维数据分解为低频逼近部分和高频细节部分,在低频部分和高频部分根据各自数据特征利用模糊C一均值聚类算法分别建立模糊时间序列模型并预测,然后把每个部分的预测值根据小波重构得到最终预测结果.通过对国家财政收入实例验证对比发现,该模型在预测精度方面有较大提高.     

中国金融市场波动率的实现极差双幂次变差估计

实现极差和实现双幂次变差分别是针对金融市场中日益流行的高频实现波动率的重要改进,文章对一类新的结合了实现极差和实现二次幂变差各自的优点的实现极差双幂次变差估计进行了建模和实证研究,采用来自沪深两市的主要股指日内高频数据的对比研究显示:该波动率估计量不仅能够像实现极差一样准确捕捉到金融市场收益率无条件分布的尖峰厚尾特征,而且能够像实现双幂次变差一样很好的消除其偏态性.     

中国证券市场的LOG-ACD模型及其应用

0引言随着计算机技术的飞速发展,人们可以越来越方便的获得各种高频交易数据。高频数据的获得,开辟了新的研究领域,为了更好的分析这些高频数据,许多新的计量经济模型也应运而生。传统的计量经济模型基于固定的时间间隔进行分析,如随机波动和GA RCH模型等。由于传统的ACD模型对     

股票日内交易数据特征和波幅的分析

一、引言随着计算技术的发展和存储成本的降低 ,人们已经可以获取和分析日内股票交易的数据 ,这些数据对于金融市场研究的重要领域———金融市场微结构理论和实证金融经济计量学的研究产生了重要推动作用。 90年代以来 ,在实证金融经济计量研究中出现了对高频金融数据建模和分析的领域 ,即以日内交易数据为基础 ,去揭示交易过程的机制和统计特征。高频金融交易数据分析模型从 90年代开始迅速发展 ,目前已广泛地用于金融市场微结构理论的应用和实证检验。在有关研究领域中 ,市场参与者的行为以及交易过程的统计规律和特征的描述是研究关注的…     

高频时间序列基于小波分析的预测

高频金融交易数据分析模型从上世纪90年代开始迅速发展,目前已广泛地用于金融市场微观结构理论的应用和实证检验.随着信息技术的不断发展,金融市场逐渐关注于利用高频金融数据的建模方法与理论的研究.但是,目前利用小波分析研究高频数据的文章并不多,而股市变化迅速且信息量巨大,正适合用高频数据的方法采集信息.     

基于沪深300股指期货高频数据趋势持续期模型的构建与检验

文章针对我国沪深300股指期货高频数据时间序列具有趋势运动特性,提出了趋势持续期模型.首先采用泊松过程对趋势持续期的市场微观结构进行建模,得出了趋势持续期在理论上服从Gamma分布;基于经验模态分解算法提取股指期货日内高频交易数据的趋势持续期,采用最大似然估计法,估计趋势持续期的Gamma分布参数,同时通过Kolmogorov-Smirnov检验验证了模型的有效性;最后对不同采样间隔下的趋势持续期进行标准化处理,趋势持续期模型具有很好的稳健性.     

高频金融时间序列的统计特征

大量的现象和实证分析表明:金融市场中的高频时序存在着许多与传统金融理论不一致的异常现象.高频金融时序的这些特有的性质,使得我们必须思考重新用新的模型去尽可能逼近其真实的数据生成过程,同时也促使我们通过投资者的投资决策过程来解释其产生的原因.本文对高频金融时序呈现的特有现象给予了合理的经济学解释,从而为进一步对此进行建模分析奠定了坚实的理论基础.     

基于高频数据模型的中国股市微观结构理论研究

一、引言 随着计算机计算能力和存储容量的飞速发展,人们可以获得频率越来越高的数据,甚至可以获得股票市场实时的每笔成交数据,这些数据称之为高频数据,即指日与日内的数据,主要针对以小时、分钟或秒为采集单位的数据.近些年来日内金融数据库的获得对应用计量经济学和金融市场微观结构的研究有重要作用.在应用计量经济学文献中也相应产生了一些高频数据模型试图描述价格过程的性质.     

本期导读

随着计算机技术和通讯技术水平的提升,采集和存储高频金融数据已成为可能,这使得采用高频数据来度量系统风险系数β也成为可能。《基于高频数据的赋权已实现极差β估计量的构建》一文,采用高频金融数据,通过赋权已实现极差方差和赋权已实现极差协方差来度量市场收益的方差和股票收益与市场收益的协方差,构建赋权已实现极差β估计量,并对系统风险系数β进行了研究。目前,国内外对样本定量的研究大多是建立在调查精度和费用控     

多维高频时间序列的波动持续性质研究

本文对多维高频金融时间序列的"已实现"协方差阵提出相应的模型并进行建模,在此基础上研究了波动持续性质;讨论了高频时间序列的协方差平稳性与波动持续性的关系,同时证明了基于高频数据的协同持续定义与Bollerslev和Engle提出的协同持续概念具有内在的一致性;扩展线性持续到非线性情况,讨论了它们之间的内在关系,指出了持续性质在动态组合投资、风险规避策略中的意义和作用.     

基于中国股票高频交易数据的随机波动建模与应用

本文对近十五年多达17万笔高频交易数据研究发现,早晨9:30股市开盘期间收益回报显著为负值,而在下午3:00收盘前的5分钟集合竞价阶段的收益回报显著为正值,称这种现象为“首尾5分钟现象”.并且日内收益数据具有较为显著的季节效应或周期效应,本文首次提出利用具有季节效应的SVJt-s模型对上证综合指数的5分钟高频交易数据进行建模,并给出模型的两步估计方法.由于高频随机波动建模时的数据量巨大、计算负荷严重,模型的估计、评价以及预测评价方法都需进行相应的改进,本文主要通过APF方法计算边际似然和BF进行模型比较,并从模型的预测能力发现本文给出的具有季节效应的SVJt-s模型,优于通常的GARCH模型和基本随机波动模型,最后给出了模型在风险管理中的应用.     

基于高频数据的市场价格久期集聚特征分析

在金融高频数据中,价格久期反映了交易者的交易策略,从时间维度反映了信息的传导过程。文章采用股票交易的分笔数据,在自回归条件久期模型中引入信息交易特征变量:交易强度、每笔平均交易量和百分比买卖价差,分析价格久期集聚特征与市场信息交易之间的关系。     

新股流动性风险及其与IPO抑价的关系

本文利用上交所新股交易高频数据从四个不同维度实证分析了自动撮合市场中IPO股票后市流动性风险的变动特征,发现IPO投资者面临的流动性风险高于后市投资者.将流动性资产定价理论应用于IPO抑价研究,研究结果表明后市流动性风险与IPO抑价显著正相关,流动性越差,抑价越高.     

基于部分函数型线性回归模型的改进

金融市场的交易是不间断的,价格始终高频的更新,在金融数据的研究中,经常遇到函数型数据.文章主要建立部分函数型线性回归模型,分析函数型数据在上证指数预测中的应用,根据函数型数据分析的原理及其求解主成分分析的方法,使用Matlab对上证指数进行预测.