第5讲：高频数据的建模与分析
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第四个分支是关于金融高频数据统计特征的研究。
四、金融高频数据分析方法
对高频数据建模，目前没有统一的模型框架，存在几类研究比较
活跃的高频数据模型： 1、主要针对日历效应的模型；日历效应是指金融市场与日期相 联系的非正常收益，主要包括季节效应、月份效应、星期效应和 假日效应，它们分别指金融市场与季节、月份、星期和假日有关 的非正常收益。 2、Garch模型的扩展：Garch模型在低频数据的成功表现，很 自然考虑如何将其移植到高频数据建模中；
1、与低频数据相比，金融高频数据的质量往往并不高
因为交易数据会因种种原因而缺失，某些交易的确切时间 也不见得准确，而且还有微结构噪音等因素干扰。 2、金融高频数据和超高频数据的价格都是离散的 交易所对最小交易价格单位有限制，所以每笔成交价格只 能是最小交易价格（tick size）的整数倍。
3、数据存在日内周期模式 正常交易条件下，交易量往往在每一天的开盘时间和收盘时间附近 较大，而在午饭时间左右较小，形成了一个“U ”型的模式。随之而
来的是，交易与交易之间的时间间隔在一天内也呈现出了循环模式
的特征
三、金融高频数据分析的研究现状
金融高频数据分析的基本动因 从金融高频数据产生至今 ,对金融高频数据的分析一直是金融研 究领域 中一个倍受瞩目的焦点。这可以归结为两个原因: 1、由于对金融高频数据本身所具有的特征值的关注 通常所指的交易数据 ,除了交易价格外,还包括与交易相连的询价 和报价、交易数量、交易之间的时间间隔、相似资产的现价等等 2、因为金融高频数据对理解市场的微观结构来说相当重要 高频数据中的这种波动恰恰包含着理解市场微观结构的重要信息
Βιβλιοθήκη Baidu
3、超高频数据 是对交易过程实时采集的数据，即按照每笔交易的发生逐 笔记录的数据。这里需要注意的是，超高频数据并不是抽 样数据，而是全样本数据;不是等间隔数据，而是不等间 隔且间隔随机的数据。
高频数据和超高频数据两者之间的最大区别是：前者是等
时间间隔的，后者的时间间隔是时变的。
二、金融高频的特征
3、基于已实现波动理论的模型；
4、一些非线性模型。
[1] 常宁, 徐国祥. 金融高频数据分析的现状与问题研究[J]. 财经研究. 2004, 3: 31-39.
[2] 郭兴义, 杜本峰. (超) 高频数据分析与建模[J]. 统计研究.
2002(11): 28-31.
[3] 唐勇. 基于高频数据的金融市场分析 [D]. 天津: 天津大学, 2007.
第5讲：高频数据的建模与分析
一、金融数据概念
1、低频数据
通常指以天、周、月、年作为计量单位的数据; 2、高频数据 近年来，随着计算工具和计算方法的发展，极大地降低了数据记录和存 储的成本，使得对更高频率的金融数据进行研究成为可能。高频数据即 日内数据，是指在开盘时间和收盘时间之间进行抽样的交易数据，主要 是以小时、分钟、甚至秒为抽样频率的、按时间顺序排列的时间序列。
时间序列总体分析思路
时间序列
平稳性检验 原：不平稳
若是平稳序列
非平稳序列
考虑差分平稳
单序列
ARMA
多序列
多元回归分析 差分平稳I（d） 单序列 ARIMA 协整
不平稳
多序列（同阶） 无规律分析终止
协整检验 原：不协整
不协整
长期关系模型
分析终止
进一步考虑ECM（误差修正模型）
金融高频数据分析已涉及的主要领域 尽管人们对金融高频数据分析研究的历史并不长 ,但是目前的发展状况
却着实令人鼓舞。金融高频数据研究的四个主要分支为：
第一个分支是关于金融高频数据库的研究； 第二个分支是关于金融高频数据分析应用于对市场微观结构分析的研究；
第三个分支是关于金融高频数据分析中所使用的计量模型的研究；
四、金融高频数据分析方法
对高频数据建模，目前没有统一的模型框架，存在几类研究比较
活跃的高频数据模型： 1、主要针对日历效应的模型；日历效应是指金融市场与日期相 联系的非正常收益，主要包括季节效应、月份效应、星期效应和 假日效应，它们分别指金融市场与季节、月份、星期和假日有关 的非正常收益。 2、Garch模型的扩展：Garch模型在低频数据的成功表现，很 自然考虑如何将其移植到高频数据建模中；
1、与低频数据相比，金融高频数据的质量往往并不高
因为交易数据会因种种原因而缺失，某些交易的确切时间 也不见得准确，而且还有微结构噪音等因素干扰。 2、金融高频数据和超高频数据的价格都是离散的 交易所对最小交易价格单位有限制，所以每笔成交价格只 能是最小交易价格（tick size）的整数倍。
3、数据存在日内周期模式 正常交易条件下，交易量往往在每一天的开盘时间和收盘时间附近 较大，而在午饭时间左右较小，形成了一个“U ”型的模式。随之而
来的是，交易与交易之间的时间间隔在一天内也呈现出了循环模式
的特征
三、金融高频数据分析的研究现状
金融高频数据分析的基本动因 从金融高频数据产生至今 ,对金融高频数据的分析一直是金融研 究领域 中一个倍受瞩目的焦点。这可以归结为两个原因: 1、由于对金融高频数据本身所具有的特征值的关注 通常所指的交易数据 ,除了交易价格外,还包括与交易相连的询价 和报价、交易数量、交易之间的时间间隔、相似资产的现价等等 2、因为金融高频数据对理解市场的微观结构来说相当重要 高频数据中的这种波动恰恰包含着理解市场微观结构的重要信息
Βιβλιοθήκη Baidu
3、超高频数据 是对交易过程实时采集的数据，即按照每笔交易的发生逐 笔记录的数据。这里需要注意的是，超高频数据并不是抽 样数据，而是全样本数据;不是等间隔数据，而是不等间 隔且间隔随机的数据。
高频数据和超高频数据两者之间的最大区别是：前者是等
时间间隔的，后者的时间间隔是时变的。
二、金融高频的特征
3、基于已实现波动理论的模型；
4、一些非线性模型。
[1] 常宁, 徐国祥. 金融高频数据分析的现状与问题研究[J]. 财经研究. 2004, 3: 31-39.
[2] 郭兴义, 杜本峰. (超) 高频数据分析与建模[J]. 统计研究.
2002(11): 28-31.
[3] 唐勇. 基于高频数据的金融市场分析 [D]. 天津: 天津大学, 2007.
第5讲：高频数据的建模与分析
一、金融数据概念
1、低频数据
通常指以天、周、月、年作为计量单位的数据; 2、高频数据 近年来，随着计算工具和计算方法的发展，极大地降低了数据记录和存 储的成本，使得对更高频率的金融数据进行研究成为可能。高频数据即 日内数据，是指在开盘时间和收盘时间之间进行抽样的交易数据，主要 是以小时、分钟、甚至秒为抽样频率的、按时间顺序排列的时间序列。
时间序列总体分析思路
时间序列
平稳性检验 原：不平稳
若是平稳序列
非平稳序列
考虑差分平稳
单序列
ARMA
多序列
多元回归分析 差分平稳I（d） 单序列 ARIMA 协整
不平稳
多序列（同阶） 无规律分析终止
协整检验 原：不协整
不协整
长期关系模型
分析终止
进一步考虑ECM（误差修正模型）
金融高频数据分析已涉及的主要领域 尽管人们对金融高频数据分析研究的历史并不长 ,但是目前的发展状况
却着实令人鼓舞。金融高频数据研究的四个主要分支为：
第一个分支是关于金融高频数据库的研究； 第二个分支是关于金融高频数据分析应用于对市场微观结构分析的研究；
第三个分支是关于金融高频数据分析中所使用的计量模型的研究；