為了更準確地估計知情交易概率水平（PIN）,文章主要使用模擬退火算法并結合交易量時間概念對知情交易模型進行參數(shù)估計.算法改進后的知情交易模型已可適用于較高頻的交易訂單數(shù)據(jù),從而更好地捕捉微觀市場中PIN的變化.參數(shù)估計方面,文章主要使用模擬退火算法對EKOP-PIN、EHO-PIN以及DY-PIN進行帶約束的最大似然估計,并將結果與無約束優(yōu)化的間接估計算法進行了比較,基本解決了以往算法存在的局部最優(yōu)和數(shù)值溢出等問題.數(shù)值模擬顯示,使用模擬退火算法并運用模式搜索法進行末端優(yōu)化的混合算法在計算PIN時能夠進一步提高估計精度.使用滬深300股指期貨高頻交易數(shù)據(jù)的實證結果顯示,重新估計的EHO-PIN對波動率有著較高的解釋和預測能力,可作為一種有效的市場波動率預警指標. 

【文章頁數(shù)】：17 頁

【文章目錄】：
1 引言
2 理論模型
    2.1 EKOP模型
    2.2 EHO模型和DY模型
    2.4 VPIN
    2.5 模擬退火算法
3 參數(shù)估計
    3.1 數(shù)據(jù)說明
    3.2 參數(shù)比較與算法優(yōu)化
4 實證檢驗
5 結論


【參考文獻】：
期刊論文
[1]A New Estimation for Informed Trading Based on SSNF Method[J]. BING Tao,ZHAO Shangmei,ZHANG Qiang,LIU Shancun.  Journal of Systems Science ＆ Complexity. 2018(04)
[2]Liquidity Dynamics Around Intraday Price Jumps in Chinese Stock Market[J]. WAN Die,WEI Xianhua,YANG Xiaoguang.  Journal of Systems Science ＆ Complexity. 2017(02)
[3]市場操縱與噪聲交易[J]. 曾慶鐸,劉善存,張強,辛榮.  系統(tǒng)工程理論與實踐. 2017(03)
[4]基于指令驅(qū)動市場EKOP模型的異質(zhì)期望研究[J]. 王碩,李鵬程,楊寶臣.  管理科學. 2016(03)
[5]深圳股票市場的日內(nèi)流動性研究[J]. 張滌新,眭以寧.  系統(tǒng)科學與數(shù)學. 2015(12)
[6]市場知情交易概率、流動性與波動性——來自中國股指期貨市場的經(jīng)驗證據(jù)[J]. 周強龍,朱燕建,賈璐熙.  金融研究. 2015(05)
[7]知情交易度量的Lévy跳方法及實證研究[J]. 龔樸,楊博理.  管理科學學報. 2014(10)
[8]引入信息成本的信息結構與股權融資成本[J]. 晏艷陽,周志.  中國管理科學. 2014(09)
[9]中國股市流動性間接指標的檢驗——基于買賣價差的實證分析[J]. 張崢,李怡宗,張玉龍,劉翔.  經(jīng)濟學(季刊). 2014(01)
[10]流動性特征對知情、非知情交易的影響研究[J]. 張強,劉善存,邱菀華,林千惠.  管理科學學報. 2013(07)



本文編號：3695365