本站原创
【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
1 引言
波动溢出（volatility spillover）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，以股票市场的为例进行了实证分析。
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]
（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；
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-Nielsen和Shepard的研究中[5-7]提出了“已实现”协方差阵（Realized Covariance Matrix，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。
（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。
4.3 金融市场间波动溢出判断分析
若接受原检测设，则说明在变结构点 前后的“已实现”相关系数没有发生显著变化，即在时间段 内，第j个金融市场“已实现”波动没有传递到第i个金融市场，说明两个金融市场彼此之间虽然存在相互影响，但影响不显著，即没有形成波动溢出；若拒绝原检测设，说明在变结构点 前后的“已实现”相关系数发生显著变化，即在时间段 内，第j个金融市场“已实现”波动传递到第i个金融市场，说明第j个金融市场与第i个金融市场存在波动溢出。
对变结构点 前后的“已实现”相关系数，依次重复上述步骤并进行Z检验，根据检验结果分析判断第j个金融市场与第i个金融市场在不同变结构点区间段内是否存在波动溢出。
重复上述步骤，根据检验结果分析判断其它金融市场之间是否存在波动溢出。
（2）根据相关系数及Z检验结果可知，深圳与上海股票市场之间相关系数变化比较大，无论是深圳对上海股票市场，还是上海对深圳股票市场都存在着长期的波动溢出，其原因比较明确，在深圳与上海股票市场上市的公司均为我国的企业，受相同政策变化的影响，而且不同企业之间的经济关联比较密切。
（3）通过诊断深圳与上海股票市场高频数据收益率“已实现”波动变结构点、分阶段计算深圳与上海股票市场“已实现”相关系数、检验“已实现”相关系数在变结构点前后是否显著变化来分析判断股票市场之间是否存在波动溢出，其结果符合现实经济的发展规律。由于根据高频数据所计算的“已实现”波动率及协方差，损失的信息比低频数据的要小的多，能够包含更多的信息，所以，此方法所刻画的特征更符合的金融市场变化的规律。由于诊断出了样本内波动变结构点，因此不仅能判断分析样本内不同股票市场波动溢出是否存在，而且还可以分析出产生波动溢出的时间段。
6 结论
高频数据的分析是近年来兴起的一个领域，相对低频数据而言，高频数据所包含的信息更多，所以，研究基于高频数据的金融市场波动溢出是非常必要的。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“已实现”波动率及“已实现”协方差矩阵理论基础上，将波动变结构引入高频时间序列，通过诊断“已实现”波动率的变结构点、计算不同金融市场之间“已实现”相关系数，检验 “已实现”相关系数在变结构点前后是否显著发生变化来分析金融市场之间的波动溢出问题。最后选取上证指数、深圳成份指数每分钟数据为原始数据，选择了10分钟的抽样频率，验证分析了上证指数、深圳成份指数之间波动溢出问题，实证结果不仅验证了方法的可行性，由于高频数据损失信息小，而且“已实现”波动率考虑了金融市场数据日内的波动情况，所以，所计算的“已实现”相关系数更能够反映金融市场之间的相关关系，以此为基础进行金融市场之间波动溢出的分析就更符合金融市场发展规律。
参考文献
Andersen， T. G.， T. Bollerslev， Diebold， F. X.， Labys， P. Modeling and Forecasting Realized Volatility[J]. Econometrica， 2003， 71（2）： 579-625
Andersen， T. G.， T. Bollerslev， Diebold， F. X. Some Like it Smooth， and Some Like it Rough： Untangling Continuous and Jump Components in Measuring， Modeling， and Forecasting Asset Return Volatility[J]. PIER Working Paper 03-025， University of Pennsylvania， 2003.
关键词：高频数据，金融市场，波动溢出
1 引言
波动溢出（volatility spillover）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，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]
（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；
源于：论文如何写www.udooo.com
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-Nielsen和Shepard的研究中[5-7]提出了“已实现”协方差阵（Realized Covariance Matrix，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
若金融资产的过程是 ，其中， 是第i项资产在t时刻的。对向量取对数，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相关结构发生改变，因此，要分析不同金融市场之间是否存在波动溢出，可以先找出各金融市场波动的变结构点；根据“已实现”协方差矩阵的结果，计算不同变量间的“已实现”相关系数，通过检验“已实现”相关系数在波动变结构点前后是否发生显著变化，依此分析判断不同金融市场之间是否存在波动溢出。4.1 “已实现”波动变结构点的诊断
关于波动变结构的检测，国内外学者进行了大量的讨论与尝试，黄违洪、张世英提出了一种针对线性模型变结构的GBV（General Bayesian method with vague prior information）检测法，GBV法具有计算简单、过程直观、通用性强等优点，但GBV法无法判定结构变化点的数目[14]；Kim[15]提出一种与GBV法类似的方法，他构造了检验线性模型平稳性的Bayes显著检验量，以检测到单个参数的非平稳性； Kim与Kon[16]将这种方法直接用于检测方差平稳性，这种程序不仅在计算上更加有效，而且能估计出未知的变结构点数目。本文采用Kim与Kon提出的检测方法来诊断“已实现”波动率变结构点。4.2 金融市场间相关系数计算
借鉴Barndorff-Nielsen和Shepard等人的研究[14]，得到基于“已实现”波动率的金融市场之间相关系数的计算公式：4.3 金融市场间波动溢出判断分析
摘自：毕业论文范例www.udooo.com
若要分析判断第j个金融市场“已实现”波动对第i个金融市场“已实现”波动是否存在溢出，可以依次判断“已实现”相关系数 在变结构点 处是否显著发生变化。若接受原检测设，则说明在变结构点 前后的“已实现”相关系数没有发生显著变化，即在时间段 内，第j个金融市场“已实现”波动没有传递到第i个金融市场，说明两个金融市场彼此之间虽然存在相互影响，但影响不显著，即没有形成波动溢出；若拒绝原检测设，说明在变结构点 前后的“已实现”相关系数发生显著变化，即在时间段 内，第j个金融市场“已实现”波动传递到第i个金融市场，说明第j个金融市场与第i个金融市场存在波动溢出。
对变结构点 前后的“已实现”相关系数，依次重复上述步骤并进行Z检验，根据检验结果分析判断第j个金融市场与第i个金融市场在不同变结构点区间段内是否存在波动溢出。
重复上述步骤，根据检验结果分析判断其它金融市场之间是否存在波动溢出。
5 高频数据的股票市场间波动溢出实证分析
5.1 数据描述
由于国外股票市场的高频数据获得比较困难，这里以上证指数和深圳成份指数的高频时间序列为例，数据来源于天相数据分析系统，收集的是每分钟采集频率的收盘价，时间区间：2004-1-2至2006-4-14，共涉及到551个交易日。上海与深圳证券交易所每天的交易时间为上午9：30至11：30、下午13：00至15：00，根据徐正国[13]对上证指数和深圳成份指数的实证结果，10分钟的抽样频率其微观结构误差最小，且这样的抽样频率也足够高。所以，这里选择10分钟的抽样频率，共得到551 48=26448个数据。5.2 “已实现”波动变结构点的诊断及相关系数计算、检验
为了研究分析上海股票市场与深圳股票市场之间的波动溢出问题，首先，采用Bayes诊断程序，对样本内的深圳成份指数、上证指数收益率的“已实现”波动，分别诊断变结构点；其次，根据深圳成份收益率的“已实现”波动变结构点，分阶段计算深圳股票市场与上海股票市场之间的相关系数 ，根据上证指数收益率的“已实现”波动变结构点，分阶段计算上海股票市场与深圳股票市场之间的相关系数 ；最后，根据Z检验，检验在变结构点前后，相应的相关系数是否显著发生的变化。表2列出了深圳成份指数收益率的“已实现”波动变结构点的诊断结果，以及“已实现”相关系数计算结果和Z检验结果。表3列出了上证指数收益率的“已实现”波动变结构点的诊断结果，以及“已实现”相关系数计算结果和Z检验结果。5.3 股票市场之间波动溢出分析
根据表2、表3所列估计结果，分析如下：
（1）从波动变结构点诊断结果分析，样本内，由于我国经济处理于调整阶段，因此上海、深圳股市的波动变化比较频繁，而变结构点一部分处在节检测日附近，或重要日期3月15日“消费者权益日”，或有重大的政策出台引起的。（2）根据相关系数及Z检验结果可知，深圳与上海股票市场之间相关系数变化比较大，无论是深圳对上海股票市场，还是上海对深圳股票市场都存在着长期的波动溢出，其原因比较明确，在深圳与上海股票市场上市的公司均为我国的企业，受相同政策变化的影响，而且不同企业之间的经济关联比较密切。
（3）通过诊断深圳与上海股票市场高频数据收益率“已实现”波动变结构点、分阶段计算深圳与上海股票市场“已实现”相关系数、检验“已实现”相关系数在变结构点前后是否显著变化来分析判断股票市场之间是否存在波动溢出，其结果符合现实经济的发展规律。由于根据高频数据所计算的“已实现”波动率及协方差，损失的信息比低频数据的要小的多，能够包含更多的信息，所以，此方法所刻画的特征更符合的金融市场变化的规律。由于诊断出了样本内波动变结构点，因此不仅能判断分析样本内不同股票市场波动溢出是否存在，而且还可以分析出产生波动溢出的时间段。
6 结论
高频数据的分析是近年来兴起的一个领域，相对低频数据而言，高频数据所包含的信息更多，所以，研究基于高频数据的金融市场波动溢出是非常必要的。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“已实现”波动率及“已实现”协方差矩阵理论基础上，将波动变结构引入高频时间序列，通过诊断“已实现”波动率的变结构点、计算不同金融市场之间“已实现”相关系数，检验 “已实现”相关系数在变结构点前后是否显著发生变化来分析金融市场之间的波动溢出问题。最后选取上证指数、深圳成份指数每分钟数据为原始数据，选择了10分钟的抽样频率，验证分析了上证指数、深圳成份指数之间波动溢出问题，实证结果不仅验证了方法的可行性，由于高频数据损失信息小，而且“已实现”波动率考虑了金融市场数据日内的波动情况，所以，所计算的“已实现”相关系数更能够反映金融市场之间的相关关系，以此为基础进行金融市场之间波动溢出的分析就更符合金融市场发展规律。
参考文献
Andersen， T. G.， T. Bollerslev， Diebold， F. X.， Labys， P. Modeling and Forecasting Realized Volatility[J]. Econometrica， 2003， 71（2）： 579-625
Andersen， T. G.， T. Bollerslev， Diebold， F. X. Some Like it Smooth， and Some Like it Rough： Untangling Continuous and Jump Components in Measuring， Modeling， and Forecasting Asset Return Volatility[J]. PIER Working Paper 03-025， University of Pennsylvania， 2003.
源于：毕业设计论文网www.udooo.com