基于高频数据金融市场波动溢出研究【摘要】针对金融市场的高频数据，在对“已实现”波动率、“已实现"协方差研究的基础上，引入"已实现”波动变结构，分阶段计算'‘已实现”波动率的相关系数，对“已实现"波动率相关系数检验，判断是否在变结构点前后发生显著变化，从而对金融市场之间的波动溢出进行分析，并进行了实证分析。关键词：高频数据，金融市场，波动溢出中图分类号：F224文献标识码：A文章编号：1引言波动溢出(volat订ityspillover)效应是指在不同金融市场的波动之间存在相互影响，波动从一个金融市场传递到另一个金融市场。因此，波动溢出效应可能存在于不同区域的市场之间，也可能存在于不同类型的金融市场之间，如股票市场、外汇市场、债券市场之间等。在金融市场中，由于信息是连续地影响证券市场价格的变动，如果使用离散的数据就会造成信息不同程度的缺失，若采集频率高，则信息丢失就越少；反之，信息丢失越多。由于使用高频时间序列比低频时间序列包含更多的信息，因此，有---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---必要对更高频金融数据加以研究，以深入分析金融市场的波动特征。其次，随着信息化进程的推进，高频的金融数据收集更方便。通常将高频率采集的数据分为高频时间序列和超高频时间序列。高频时间序列指以每小时、每分钟甚至每秒为频率所采集的数据；而超高频时间序列是记录每笔交易的市场数据。另外，金融市场决策者在进行短期决策时,不仅需要长期的市场信息，而且还需要即时的信息，因此，使用高频数据研究金融市场之间波动溢出，能够为金融决策者提供更及时的决策信息。本文在讨论高频时间序列的“已实现"波动率及协方差的基础上，通过判断在变结构点前后不同金融市场之间相关系数是否显著发生变化来分析金融市场之间的波动溢出问题。最后，以股票市场的价格为例进行了实证分析。2、高频时间序列的“已实现”波动率2.1高频数据的收益率高频时间序列是在等时间间隔（如每1分钟，每5分钟,每30分钟等）上采集的时间序列，股票市场收盘价就是交易期间最后一笔交易的交易价格，如果在最后时间间隔内没有发生交易，就使用上一时间间隔的收盘价。根据Andersen和Bollerslev等学者对西方国家发达金融市场的高频金融时间序列的研究，“已实现”波动率通常具有下列性质：[1-4]---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---(1)“已实现”方差与“已实现”标准差的无条件分布均为极端右偏，而且峰度极高；(2)取对数后的“已实现”标准差的无条件分布是近似正态分布；(3)的条件分布是正态分布；(4)“已实现”波动率的自相关系数是按双曲线的趋势下降；3多维高频时间序列的“已实现”协方差金融领域中，学者们更多关心的是多个资产收益率或多个风险因子的联合分布特性，而二阶矩特性又是联合分布主要特征研究的重点。在Barndorff-Nie1sen和Shepard的研究中［5-7］提出了“已实现"协方差阵(RealizedCovarianceMatrix,简称RCM)的概念，徐正国［13］在他的硕士论文中讨论了'‘已实现”协方差阵的性质。3.1“已实现"协方差矩阵若金融资产的价格过程是，其中，是第i项资产在t时刻的价格。对价格向量取对数，得：3.2“已实现”协方差低频协方差的区别与基于低频时间序列的多元GARCH模型一样，基于高频时间序列的“已实现”协方差阵也可以用来研究多变量时间序列---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---波动之间的影响关系。除了相同点，两种方法还存在不同之处：（1）虽然二者都是测度每日的波动率，但是，多元GARCH模型是使用日间数据，而“已实现”协方差阵则是基于高频数据分析的，更充分地反映了金融市场的信息；（2）多元GARCH模型不能直接观测波动率和相关系数,需要在模型估计的基础上，才能得到相应的值。“已实现”协方差阵是可以直接测度波动率和相关系数。相对多元GARCH模型，“已实现”协方差阵更能反映金融市场的信息，而且计算简单方便。4基于高频数据的金融市场间波动溢出分析变量本身边缘分布的改变或外部环境如宏观政策的干预等都可能使变量间的...