基于超高频数据的风险价值测度

《基于超高频数据的风险价值测度》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代号10532学号S151801469分类号密级硕士学位论文基于超高频数据的风险价值测度学位申请人姓名姜梦诗培养单位金融与统计学院导师姓名及职称陈勇副教授学科专业金融学研究方向金融工程论文提交日期2018年5月15日学校代号：10532学号：S151801469密级：湖南大学硕士学位论文基于超高频数据的风险价值测度学位申请人姓名：姜梦诗导师姓名及职称：陈勇副教授培养单位：金融与统计学院专业名称：金融学论文提交日期：2018年5月15日论文答辩日期：2018年5月21日答辩委员会主席：龙海明MeasurementofValueatRiskBasedonUltraHighFrequencyDa

2、tabyJIANGMengshiB.E.(QinghaiUniversity)2015AthesissubmittedinpartialsatisfactionoftheRequirementsforthedegreeofMasterofEconomicsinFinanceintheGraduateSchoolofHunanUniversitySupervisorAssociateProfessorChenYongMay，2018haofa基于超高频数据的风险价值测度摘要目前，金融机构和投资者主要应用风险价值模型（Valueatrisk，VaR）度量资产组合的市场风险。已有研究主要采用等时间间

3、隔的隔日数据和日内数据分析股票价格及其波动，由于等时间间隔的数据是在逐笔数据的基础上经过抽样和插值等方法得到的，不包含每笔交易的信息，因此，利用非等时间间隔的逐笔交易信息可以提高数据信息的完整性。本文采集了股票的逐笔交易数据应用傅里叶方法估计股票的日超高频波动率（Ultra-High-FrequencyVolatility，UHFV），再结合基于日间数据的GARCH模型，提出GARCH-UHFV模型对股票的日波动率进行预测。该模型的提出受启发于前期研究将已实现波动率（RealizedVolatility，RV）加入GARCH模型方差方程中作为解释变量，即GARCH-RV模型。已实现波动率和超高

4、频波动率最大的区别在于采用的数据是否具有等时间间隔性。已实现波动率是基于等时间间隔的高频数据（如5分钟数据），利用等时间间隔数据计算收益率的平方和作为波动率的估计。超高频波动率是基于实时逐笔的非等时间间隔数据计算得到的波动率，而傅里叶分析法有着无固定模型、无偏的、稳定性高的优势。由于日收益率序列并非完全的服从正态分布，因此本文研究了基于学生t分布的情况下GARCH（1，1）、GARCH（1，1）-RV和GARCH（1，1）-UHFV三种模型对波动率和风险价值的预测能力，并与正态分布假设下的预测结果进行对比。本文得出结论主要有两个：（1）已实现波动率加入GARCH模型的方差方程中确实能提高波动率

5、的预测精度，这与前期学者的研究结果相同。而将超高频波动率加入GARCH模型中会弥补GARCH-RV模型预测滞后性的不足，进一步提高波动率的预测精度。（2）GARCH（1，1）-RV模型能在一定程度上提高风险价值的预测准确性，但将含有完整信息的超高频波动率加入GARCH模型中，会使风险价值的预测效果更佳。关键字：超高频数据；傅里叶分析；GARCH-UHFV模型；VaR模型II硕士学位论文AbstractAtpresent,financialinstitutionsandinvestorsmainlyuseValue-at-riskmodeltomeasurethemarketriskofasse

6、tportfolio.Existingresearchmainlyadoptsevenlyspaceddatatoanalysisvolatilityofstockprice.becauseintervaldataisbymeansofsamplingandinterpolationonthebasisoftick-by-tickdata,thatdoesnotcontaincompleteinformation.usingtick-by-tickdatacanimprovetheintegrityofdatainformation.Inthispaper,wecollectetick-by-

7、tickdataofstock,applyingFouriermethodtoestimateultra-high-frequencyvolatilityofstock,thatiscoupledwiththeGARCHmodelbasedondailydatatoputforwardtheGARCH-UHFVmodel.Theproposedmodelisinspiredbythepreviou