本文關(guān)鍵詞：基于超高頻數(shù)據(jù)的計(jì)量建模方法及市場(chǎng)交易行為量化研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展及高速互聯(lián)網(wǎng)的日益普及,使得各行各業(yè)數(shù)據(jù)樣本的收集、記錄、存儲(chǔ)和分析成本顯著降低,其存儲(chǔ)方式從最初的手工記錄發(fā)展到智能化數(shù)據(jù)庫(kù)存儲(chǔ),樣本來(lái)源從傳統(tǒng)的PC端轉(zhuǎn)向手機(jī)移動(dòng)端。這些技術(shù)上的創(chuàng)新使個(gè)人不知不覺(jué)地加入到了大數(shù)據(jù)時(shí)代,每個(gè)人既貢獻(xiàn)著自身的數(shù)據(jù)信息,也享受著大數(shù)據(jù)帶來(lái)的便捷和高效。高頻數(shù)據(jù)作為金融大數(shù)據(jù)的一種,記錄了交易市場(chǎng)中的日內(nèi)交易信息。具體而言,這類數(shù)據(jù)又可以細(xì)分為高頻數(shù)據(jù)和超高頻數(shù)據(jù),高頻數(shù)據(jù)是指日內(nèi)采樣頻率為小時(shí),分鐘或者秒的交易數(shù)據(jù),這類數(shù)據(jù)還是屬于等時(shí)間間隔抽樣數(shù)據(jù),只是將抽樣頻率提高到了日內(nèi)水平。數(shù)據(jù)樣本會(huì)隨著抽樣頻率的提高,獲得更多的相關(guān)信息,但同時(shí)也會(huì)更多地受到市場(chǎng)噪音的影響。而超高頻數(shù)據(jù)則是指交易過(guò)程中的全樣本數(shù)據(jù),即實(shí)時(shí)采集的逐筆交易數(shù)據(jù)。超高頻數(shù)據(jù)樣本屬于非傳統(tǒng)數(shù)據(jù)結(jié)構(gòu),它是以事件本身作為數(shù)據(jù)的唯一標(biāo)識(shí),而傳統(tǒng)時(shí)間序列中往往以事件發(fā)生的時(shí)間點(diǎn)作為標(biāo)識(shí)。相對(duì)低頻數(shù)據(jù)而言,高頻數(shù)據(jù)除了具有一般意義下的ARCH特征,如厚尾性,非正態(tài)性及聚集性等特征外,還具有日內(nèi)周期性效應(yīng)、離散價(jià)格取值及高度相關(guān)等高頻特征。如何對(duì)高頻數(shù)據(jù)及超高頻數(shù)據(jù)進(jìn)行處理分析一直都是金融計(jì)量理論和實(shí)證研究的前沿方向。中國(guó)股票市場(chǎng)作為轉(zhuǎn)軌經(jīng)濟(jì)時(shí)期發(fā)展起來(lái)的新興證券市場(chǎng),與其他國(guó)際成熟市場(chǎng)相比,其交易制度和交易品種尚不完善,股票價(jià)格受政策消息波動(dòng)明顯,投機(jī)行為嚴(yán)重,具有特殊的市場(chǎng)結(jié)構(gòu)特征。同時(shí),隨著我國(guó)證券交易所逐步推出了實(shí)時(shí)交易數(shù)據(jù)(Level-2行情),包括日內(nèi)逐筆成交記錄、十檔委托行情、買賣隊(duì)列等信息,這為我國(guó)股票市場(chǎng)微觀結(jié)構(gòu)的定量研究提供了數(shù)據(jù)基礎(chǔ)。因而,如何通過(guò)高頻數(shù)據(jù)計(jì)量建模揭示我國(guó)市場(chǎng)微觀結(jié)構(gòu)和交易行為特征,進(jìn)而設(shè)計(jì)出合理的股票交易機(jī)制并實(shí)施有效監(jiān)督,這對(duì)降低我國(guó)股票市場(chǎng)信息不對(duì)稱帶來(lái)的交易風(fēng)險(xiǎn)和推動(dòng)市場(chǎng)的健康發(fā)展具有十分重要的理論和現(xiàn)實(shí)意義。本文以超高頻數(shù)據(jù)為研究對(duì)象,分別從理論方法和實(shí)證研究?jī)蓚�(gè)角度進(jìn)行論述。從建模角度來(lái)看,重點(diǎn)關(guān)注超高頻數(shù)據(jù)下持續(xù)期模型的參數(shù)估計(jì)方法及日內(nèi)效應(yīng)問(wèn)題。同時(shí)以市場(chǎng)微觀結(jié)構(gòu)理論為實(shí)證理論基礎(chǔ),結(jié)合超高頻持續(xù)期相關(guān)模型實(shí)證研究了中國(guó)股票市場(chǎng)日內(nèi)交易行為的非線性特征。本文的主要研究?jī)?nèi)容及結(jié)論如下：(1)引入計(jì)算機(jī)領(lǐng)域的聚類算法SOM,優(yōu)化持續(xù)期模型下的日內(nèi)效應(yīng)調(diào)整問(wèn)題日內(nèi)效應(yīng)在金融高頻數(shù)據(jù)研究中已被廣泛證實(shí),是一種日內(nèi)周期性運(yùn)動(dòng)的動(dòng)態(tài)效應(yīng),它影響了以微觀金融指標(biāo)為參數(shù)的計(jì)量模型的準(zhǔn)確估計(jì)。常用日內(nèi)效應(yīng)調(diào)整方法從先驗(yàn)的周期性結(jié)構(gòu)變點(diǎn)出發(fā),即在建立參數(shù)估計(jì)方程之前已經(jīng)明確定義了日內(nèi)調(diào)整的固定時(shí)間周期,例如以單位小時(shí)交易時(shí)間,或者等間隔的分鐘交易時(shí)間(5分鐘,15分鐘,30分鐘,60分鐘等)為周期的節(jié)點(diǎn),建立與日內(nèi)周期結(jié)構(gòu)對(duì)應(yīng)的加權(quán)平均或者平滑函數(shù)。但這類方法沒(méi)有很好地從數(shù)據(jù)角度出發(fā)挖掘日內(nèi)結(jié)構(gòu)自身的動(dòng)態(tài)性,往往導(dǎo)致高頻時(shí)間序列數(shù)據(jù)的日內(nèi)效應(yīng)調(diào)整效果不盡如人意。基于金融超高頻持續(xù)期數(shù)據(jù),該部分內(nèi)容首先論述日內(nèi)效應(yīng)調(diào)整的重要性,然后引入自適應(yīng)映射(SOM)的方法對(duì)日內(nèi)效應(yīng)進(jìn)行調(diào)整。SOM是一種基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的特征提取方法,能夠動(dòng)態(tài)識(shí)別高維數(shù)據(jù)中的結(jié)構(gòu)特征,克服了靜態(tài)調(diào)整方法的不足。最后通過(guò)建立基于自回歸條件持續(xù)期模型(ACD)的蒙特卡羅模擬實(shí)驗(yàn),比較了三種日內(nèi)效應(yīng)調(diào)整方法的效果。模擬結(jié)果表明SOM方法在日內(nèi)效應(yīng)調(diào)整中更為有效和穩(wěn)定,特別適合大數(shù)據(jù)條件下的周期性結(jié)構(gòu)分析。(2)比較分析持續(xù)期模型不同隨機(jī)擾動(dòng)項(xiàng)和參數(shù)估計(jì)方法的性能效果已有應(yīng)用不同分布條件下的ACD模型比較GLS與(Q) MLE等不同估計(jì)方法之間性能的學(xué)術(shù)成果尚不多見(jiàn)。在條件均值方程正確設(shè)定的前提下,如何選擇一個(gè)合適的參數(shù)估計(jì)方法及擾動(dòng)項(xiàng)分布是值得深入分析的問(wèn)題。該部分內(nèi)容針對(duì)不同隨機(jī)擾動(dòng)項(xiàng)分布下的ACD模型,比較分析了線性廣義最小二乘和不同目標(biāo)函數(shù)下(擬)極大似然參數(shù)估計(jì)的效果。ACD模型是以隨機(jī)擾動(dòng)項(xiàng)分布的危險(xiǎn)率函數(shù)作為超高頻數(shù)據(jù)集分布的特征描述,通過(guò)蒙特卡洛模擬實(shí)驗(yàn),該部分討論了Exp, Weibull, Burr,廣義Gamma分布函數(shù)的適用性及GLS與(Q) MLE估計(jì)方法下參數(shù)估計(jì)的統(tǒng)計(jì)性質(zhì)與估計(jì)效果。模擬實(shí)驗(yàn)結(jié)果表明,以Burr分布作為極大似然目標(biāo)函數(shù)的(Q) MLE估計(jì)在不同分布特征下的數(shù)據(jù)集中表現(xiàn)最為穩(wěn)定,而簡(jiǎn)單易行的GLS方法在大樣本的情況下也能得到較為準(zhǔn)確的估計(jì)結(jié)果。最后通過(guò)實(shí)例比較驗(yàn)證了ACD(1,1)模型在上述方法下的預(yù)測(cè)效果。(3)通過(guò)狀態(tài)轉(zhuǎn)換機(jī)制下的持續(xù)期模型研究了中國(guó)股票市場(chǎng)微觀結(jié)構(gòu)中的非線性交易行為特征當(dāng)前高頻時(shí)間序列的理論研究日趨成熟,這為動(dòng)態(tài)刻畫(huà)市場(chǎng)微觀特征,研究交易者交易行為,探究信息傳播機(jī)制提供了可行的建模思路。本文旨在以非線性自回歸條件持續(xù)模型為基礎(chǔ),從高頻數(shù)據(jù)視角實(shí)證研究中國(guó)股票市場(chǎng)日內(nèi)異質(zhì)交易行為的非線性特征及其識(shí)別問(wèn)題。該部分內(nèi)容的主要貢獻(xiàn)如下：首先,基于已有文獻(xiàn)的研究,將ACD模型中的隨機(jī)擾動(dòng)項(xiàng)Weibull分布拓展為三狀態(tài)下Logistic轉(zhuǎn)換函數(shù)的混合分布類型,并以交易強(qiáng)度作為狀態(tài)開(kāi)關(guān)變量用以區(qū)分三類交易者類型,從而構(gòu)造狀態(tài)轉(zhuǎn)移機(jī)制下的非線性ACD模型。其次,以信息模型理論為基礎(chǔ),通過(guò)狀態(tài)轉(zhuǎn)移機(jī)制下的ACD模型實(shí)證建模分析了中國(guó)股票市場(chǎng)相關(guān)數(shù)據(jù),以2014年11月滬港通開(kāi)啟作為信息事件,并以該期間的龍頭行業(yè)券商股作為數(shù)據(jù)樣本,根據(jù)模型參數(shù)估計(jì)結(jié)果得到當(dāng)前市場(chǎng)三類不同交易者所占比例,各狀態(tài)之間的轉(zhuǎn)移速率,日內(nèi)分時(shí)交易狀況,不同交易者買賣行為特征,并對(duì)其成因進(jìn)行深入剖析。最后,重點(diǎn)分析了滬港通開(kāi)啟前后不同交易者交易策略的變化趨勢(shì)及其與股價(jià)變動(dòng)相關(guān)關(guān)系,以此探究我國(guó)股票市場(chǎng)相關(guān)機(jī)制的不足與改進(jìn)措施。綜上所述,本文緊緊圍繞超高頻數(shù)據(jù)持續(xù)期模型展開(kāi)研究。首先,對(duì)超高頻數(shù)據(jù)下的日內(nèi)周期性效應(yīng)問(wèn)題進(jìn)行了深入探討,研究方法和研究結(jié)果不僅有助于理解高頻時(shí)間序列模型與傳統(tǒng)時(shí)間序列模型的區(qū)別,亦能更好揭示高頻時(shí)間序列結(jié)構(gòu)的特征。其次,對(duì)持續(xù)期模型理論進(jìn)行了全面總結(jié)歸納,并且對(duì)其參數(shù)估計(jì)方法進(jìn)行了科學(xué)系統(tǒng)的比較分析,從而為持續(xù)期模型的應(yīng)用提供了可靠的參考依據(jù)。最后,首次從狀態(tài)轉(zhuǎn)換機(jī)制下的非線性持續(xù)期模型視角對(duì)中國(guó)股票市場(chǎng)日內(nèi)交易行為進(jìn)行了實(shí)證研究,該研究對(duì)完善我國(guó)股票市場(chǎng)結(jié)構(gòu)和交易機(jī)制有著重要指導(dǎo)作用,在一定程度上推動(dòng)了我國(guó)股票市場(chǎng)的合理健康發(fā)展。所以本文的研究具有重要的理論價(jià)值和實(shí)際意義。
【關(guān)鍵詞】：超高頻數(shù)據(jù) ACD模型 日內(nèi)效應(yīng) 市場(chǎng)微觀結(jié)構(gòu) 參數(shù)估計(jì) 狀態(tài)轉(zhuǎn)換
【學(xué)位授予單位】：東北財(cái)經(jīng)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：F224;F832.51
【目錄】：

• 摘要2-5
• Abstract5-14
• 1 緒論14-22
• 1.1 研究背景14-16
• 1.2 研究目的及研究意義16-18
• 1.3 研究方法、主要內(nèi)容及創(chuàng)新點(diǎn)18-22
• 1.3.1 研究方法18-19
• 1.3.2 主要內(nèi)容19-20
• 1.3.3 創(chuàng)新點(diǎn)20-22
• 2 文獻(xiàn)綜述22-38
• 2.1 高頻及超高頻數(shù)據(jù)研究綜述22-27
• 2.1.1 高頻及超高頻數(shù)據(jù)研究歷程22-24
• 2.1.2 國(guó)內(nèi)相關(guān)研究現(xiàn)狀24-27
• 2.2 市場(chǎng)微觀結(jié)構(gòu)研究綜述27-35
• 2.2.1 市場(chǎng)微觀結(jié)構(gòu)的相關(guān)概念28-29
• 2.2.2 市場(chǎng)微觀結(jié)構(gòu)理論的發(fā)展歷程29-34
• 2.2.3 國(guó)內(nèi)相關(guān)研究現(xiàn)狀34-35
• 2.3 日內(nèi)效應(yīng)研究綜述35-38
• 3 持續(xù)期數(shù)據(jù)特征及其計(jì)量模型38-66
• 3.1 中國(guó)股票市場(chǎng)持續(xù)期數(shù)據(jù)特征38-47
• 3.1.1 持續(xù)期的類型描述38-39
• 3.1.2 持續(xù)期的統(tǒng)計(jì)特征39-45
• 3.1.3 持續(xù)期的日內(nèi)效應(yīng)45-47
• 3.2 點(diǎn)過(guò)程模型47-51
• 3.2.1 點(diǎn)過(guò)程的基本概念47-48
• 3.2.2 點(diǎn)過(guò)程模型分類48-51
• 3.3 持續(xù)期模型族51-60
• 3.3.1 基本模型51-56
• 3.3.2 隨機(jī)擾動(dòng)項(xiàng)的擴(kuò)展56-58
• 3.3.3 模型形式的擴(kuò)展58-60
• 3.4 其他相關(guān)模型60-65
• 3.5 本章小結(jié)65-66
• 4 基于持續(xù)期模型的日內(nèi)效應(yīng)調(diào)整方法研究66-86
• 4.1 引言66
• 4.2 日內(nèi)效應(yīng)調(diào)整66-72
• 4.2.1 相關(guān)理論方法66-71
• 4.2.2 日內(nèi)效應(yīng)調(diào)整的必要性71-72
• 4.3 自組織特征映射方法及日內(nèi)持續(xù)期模型設(shè)定72-76
• 4.3.1 自組織特征映射方法72-74
• 4.3.2 日內(nèi)持續(xù)期模型設(shè)定74-75
• 4.3.3 其他調(diào)整方法75-76
• 4.4 數(shù)值模擬76-79
• 4.4.1 數(shù)據(jù)生成過(guò)程76-78
• 4.4.2 日內(nèi)調(diào)整過(guò)程78-79
• 4.5 模擬結(jié)果分析79-85
• 4.5.1 確定性趨勢(shì)結(jié)果分析79-83
• 4.5.2 隨機(jī)性趨勢(shì)結(jié)果分析83-85
• 4.6 本章小結(jié)85-86
• 5 持續(xù)期模型參數(shù)估計(jì)方法比較86-108
• 5.1 引言86-88
• 5.2 模型設(shè)定及基本理論88-93
• 5.2.1 ACD模型88-89
• 5.2.2 OLS和GLS估計(jì)89-91
• 5.2.3 (Q)MLE估計(jì)91-93
• 5.3 數(shù)值模擬過(guò)程93-94
• 5.4 模擬結(jié)果分析94-104
• 5.4.1 不同估計(jì)方法的比較94-96
• 5.4.2 不同樣本容量的比較96-102
• 5.4.3 不同隨機(jī)擾動(dòng)項(xiàng)分布的比較102-104
• 5.5 實(shí)證分析104-106
• 5.5.1 數(shù)據(jù)選取及描述性分析104-105
• 5.5.2 實(shí)證結(jié)果分析105-106
• 5.6 本章小結(jié)106-108
• 6 基于持續(xù)期模型的市場(chǎng)交易行為特征研究108-132
• 6.1 引言108-111
• 6.2 理論基礎(chǔ)111-113
• 6.3 狀態(tài)轉(zhuǎn)換機(jī)制下的持續(xù)期模型設(shè)定113-115
• 6.4 樣本數(shù)據(jù)收集與預(yù)處理115-119
• 6.4.1 數(shù)據(jù)來(lái)源及描述性統(tǒng)計(jì)115-119
• 6.4.2 日內(nèi)效應(yīng)調(diào)整119
• 6.5 實(shí)證結(jié)果分析119-130
• 6.5.1 交易者類型狀態(tài)121-122
• 6.5.2 交易者狀態(tài)轉(zhuǎn)換速率122-123
• 6.5.3 交易者行為特征分析123-127
• 6.5.4 外部信息事件影響127-130
• 6.5.5 模型比較130
• 6.6 本章小結(jié)130-132
• 7 結(jié)論及展望132-136
• 7.1 本文主要研究結(jié)論132-134
• 7.2 進(jìn)一步研究方向134-136
• 在學(xué)期間科研成果136-137
• 參考文獻(xiàn)137-153
• 后記153-154

  本文關(guān)鍵詞：基于超高頻數(shù)據(jù)的計(jì)量建模方法及市場(chǎng)交易行為量化研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：288491