發(fā)布時(shí)間：2018-01-29 15:27

  本文關(guān)鍵詞： 已實(shí)現(xiàn)波動(dòng)率 高斯混合模型 市場(chǎng)微觀結(jié)構(gòu)噪聲 跳躍　出處：《統(tǒng)計(jì)研究》2017年08期 　論文類型：期刊論文

【摘要】：在高頻金融數(shù)據(jù)研究中,估計(jì)金融資產(chǎn)價(jià)格序列積分波動(dòng)率時(shí),往往需要考慮市場(chǎng)微觀結(jié)構(gòu)噪聲與資產(chǎn)價(jià)格跳躍的影響。本文將市場(chǎng)微觀結(jié)構(gòu)噪聲部分地表示成交易信息的參數(shù)函數(shù),并結(jié)合資產(chǎn)收益序列的跳躍特征,提出資產(chǎn)收益的高斯混合模型。本文利用EM算法進(jìn)行噪聲參數(shù)估計(jì)的同時(shí),識(shí)別資產(chǎn)價(jià)格的跳躍,進(jìn)而提出一種新的積分波動(dòng)率的估計(jì)量。本文提出的方法可以視為L(zhǎng)i等(2016)的改進(jìn),并在模擬研究中,得到了比Li等(2016)更好的參數(shù)估計(jì)效果,且即使在跳躍幅度分布誤設(shè)的情況下,也具有良好的識(shí)別跳躍的功能。在應(yīng)用舉例中,對(duì)比了本文方法與Lee和Mykland(2008)的跳躍發(fā)現(xiàn)方法,論證了本文的模型在識(shí)別跳躍方面的可靠性。
[Abstract]:In the study of high frequency financial data, when estimating the integral volatility of financial asset price sequence. It is often necessary to consider the influence of market microstructure noise and asset price jump. In this paper, the market microstructure noise is partially expressed as a parameter function of transaction information, and combined with the jump characteristics of asset return series. In this paper, we use EM algorithm to estimate the noise parameters and identify the jump of asset price. Then a new integral volatility estimator is proposed. The method presented in this paper can be regarded as an improvement of Li et al. 2016). A better parameter estimation effect is obtained than that of Li et al. 2016), and even if the jump amplitude distribution is misdesigned, it has a good function of recognizing jump. This paper compares the method with Lee and Mykland (2008), and proves the reliability of the model in identifying jump.
【作者單位】： 中國(guó)人民大學(xué)統(tǒng)計(jì)學(xué)院;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目“金融資產(chǎn)配置中面板數(shù)據(jù)動(dòng)態(tài)因子模型研究”(71271210);國(guó)家自然科學(xué)基金項(xiàng)目“非對(duì)稱隨機(jī)波動(dòng)建模及其在金融風(fēng)險(xiǎn)管理中的應(yīng)用研究”(71471173) 教育部人文社會(huì)科學(xué)重點(diǎn)研究基地項(xiàng)目“金融風(fēng)險(xiǎn)測(cè)度與管理若干前沿問題研究”(14JJD910002)資助 中國(guó)人民大學(xué)2016年度拔尖創(chuàng)新人才培育資助計(jì)劃成果
【分類號(hào)】：F832.51;O211
【正文快照】： 一、研究背景 (一)市場(chǎng)微觀結(jié)構(gòu)噪聲與積分波動(dòng)率 自產(chǎn)生金融高頻數(shù)據(jù)以來,波動(dòng)率的估計(jì)就是一個(gè)不可回避的問題。在最為簡(jiǎn)單的情形中,資產(chǎn)的對(duì)數(shù)價(jià)格被描述為連續(xù)的擴(kuò)散過程,此時(shí)已實(shí)現(xiàn)波動(dòng)率自然而然地成為積分波動(dòng)率的一個(gè)良 好的一致估計(jì)量。而隨著研究的深入,更為復(fù)雜

【相似文獻(xiàn)】

相關(guān)期刊論文 前3條

1 王立威,王作英;基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的高斯混合模型的參數(shù)估計(jì)[J];聲學(xué)學(xué)報(bào);2003年05期

2 胡愛娜;蔡曉艷;;基于MapReduce的分布式期望最大化算法[J];科學(xué)技術(shù)與工程;2013年16期

3 王鑫;;基于高斯混合模型的k均值初始化EM算法的研究[J];商丘師范學(xué)院學(xué)報(bào);2012年12期

相關(guān)博士學(xué)位論文 前1條

1 王益文;復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)影響力模型及其應(yīng)用[D];浙江大學(xué);2015年

相關(guān)碩士學(xué)位論文 前3條

1 張小林;基于高斯混合模型和非負(fù)矩陣分解的復(fù)雜網(wǎng)絡(luò)社區(qū)檢測(cè)[D];西安電子科技大學(xué);2014年

2 朱桂菊;基于懲罰高斯混合模型的高維數(shù)據(jù)聚類分析[D];蘭州大學(xué);2016年

3 邱永偉;基于高斯混合模型的復(fù)雜網(wǎng)絡(luò)社團(tuán)尋找[D];云南大學(xué);2015年

，

本文編號(hào)：1473732