發(fā)布時間：2020-09-26 17:00

　　 隨著科技的發(fā)展,針對金融高頻數據的分析迅速成為數據分析領域的熱點和難點。高頻數據包含了比低頻數據更多的市場細節(jié)信息,因此針對高頻數據的波動率估計必定會成為一種更真實的市場波動描述。作為金融市場最重要的特征之一,波動率可以準確描繪收益的波動性,度量金融市場存在的風險,評判收益水平。由于金融高頻數據存在微觀結構噪聲,因此需要預先進行去噪處理,然后再估計波動率。本文提出基于局部均值分解的方法進行波動率估計,實證分析使用的是5只個股的同一季度的1分鐘交易數據。文章分為兩部分,第一部分是去噪研究,首先利用模擬數據分別驗證局部均值分解和經驗模態(tài)分解的去噪效果,并使用效果較好的方法對實證數據進行去噪;第二部分是波動率估計,首先使用模擬數據探究局部均值分解方法估計波動率的性能,并得出數據頻率越高則估計結果精度越低的初步推斷;然后分別利用局部均值分解和希爾伯特黃變換對去噪后的1分鐘數據進行波動率估計;另外,使用未去噪的1分鐘數據進行抽樣,得到5分鐘、15分鐘、30分鐘數據,并對這些不同時間間隔的數據使用上述兩種方法進行波動率估計。最后,將兩種不同方法對不同時間間隔數據的估計結果進行對比分析。實證結果表明,對于1分鐘、5分鐘、15分鐘數據,局部均值分解方法的估計精度均高于希爾伯特黃變換方法。但是對于30分鐘數據的估計結果,局部均值分解方法的估計精度低于希爾伯特黃變換,總體上看,LMD方法的相對誤差隨著時間間隔的增大而遞增,驗證了模擬數據的估計結果。
【學位單位】：長春工業(yè)大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：F832.51
【部分圖文】：

圖 3.2 LMD 與 EMD 去噪效果示意圖對于本節(jié)所模擬的價格數據，其基本思想如下：設 p (t )是一個資產的對數價格 滿足以下連續(xù)時間的 GARCH 模型：1dp (t ) (t ) dW (t )（3-22 2 22d (t ) ( (t )) 2 (t ) dW (t )（3-3其中1W (t )和2W (t )是獨立的布朗運動。將模型中的參數設為 0.035， 0.636， 0.296，其中模擬過程中使用拉離散方法，其具體步驟如下[61]：1）將瞬時波動率2 (t )記為 Y [i ]，資產對數價格 p (t )記為 p[ i ]，第一步對2d (歐拉離散方法處理，產生瞬時波動率0Y [1] Y（3-42 21Y [i 1] Y [i ] ( (t )) t 2 (t ) Z [i ] t （3-52）根據生成的瞬時波動率 來生成 ，0p[ 1] p（3-6

華策影視的對數價格與對數收益率序列圖

萬達信息的對數價格與對數收益率序列圖

【參考文獻】

相關期刊論文 前8條

1 朱莉;;高頻股指期現貨市場波動溢出效應的研究——基于EEMD的小波降噪[J];技術經濟與管理研究;2015年11期

2 崔鳳新;徐麗蘭;鄭新桃;;采用EMD和奇異值分解子空間重構的信號降噪新方法[J];邵陽學院學報(自然科學版);2014年04期

3 劉威儀;;市場微觀結構噪聲的形成機制研究[J];金融理論與實踐;2014年07期

4 魏瑾瑞;朱建平;謝邦昌;;金融高頻數據僅僅是一個優(yōu)質的時間序列嗎:概念及統(tǒng)計特征的再考察[J];投資研究;2014年05期

5 黃薏舟;鄭振龍;;無模型隱含波動率及其所包含的信息:基于恒生指數期權的經驗分析[J];系統(tǒng)工程理論與實踐;2009年11期

6 程軍圣;張亢;楊宇;于德介;;局部均值分解與經驗模式分解的對比研究[J];振動與沖擊;2009年05期

7 楊瑞成;秦學志;;基于跳-擴散過程的人民幣匯率收益率波動模型[J];系統(tǒng)工程;2009年01期

8 劉慶富;華仁海;;基于非同步交易的國內外期貨市場價格發(fā)現貢獻度研究[J];統(tǒng)計研究;2008年12期

相關博士學位論文 前1條

1 李彩云;“已實現”跳躍檢驗與跳躍風險測度[D];華中科技大學;2013年

相關碩士學位論文 前3條

1 蔡豐澤;基于小波分析的金融高頻數據波動率估計研究[D];長春工業(yè)大學;2016年

2 李文;金融高頻數據的波動率及跳躍研究[D];重慶理工大學;2014年

3 朱永安;基于混合分布假說的中國股市量價關系實證研究[D];東北財經大學;2003年

本文編號：2827234