高频数据极值的周期性与波动性研究

本项目从高频数据极值的视角研究金融市场高频数据极值的周期性与波动性特征、局部极端条件下信息与价格的影响关系等微观结构理论及其应用。以高频数据极值为切入点是研究金融市场微观结构问题的新尝试。研究内容主要包括：(1)基于金融市场高频数据极值及其收益的统计特征和变动特征；（2）金融市场日内不同频率数据极值周期性和波动性模型与动态关系及其区制转移，和样本外波动性预测；(3)采用Copula方法研究不同市场局部极值分布尾部的相关性，建立日内各个频率极值序列条件已实现波动的VaR, CAVaR和ES模型，进行局部极端市场条件下高频数据的风险控制研究；（4）在金融高频数据领域，给出可靠的改进的SVM（Support Vector Machine）算法、模型的参数估计方法。通过对高频数据极值的研究与分析，能够从理论和实证模型方面发展金融市场微观结构理论和风险控制研究。

本项目从高频数据极值的视角研究金融市场高频数据极值的周期性与波动性特征理论及其应用。以高频数据极值为切入点是研究金融市场微观结构问题的新尝试。主要研究了中国证券市场日内不同频率数据的统计特征、分布特征及其变化规律；通过误差修正模型以及GARCH模型研究我国证券市场中高频数据均衡关系及其波动性，比较不同频率下极值到收盘价格的调整系数的变化规律，对比了深圳综指高频极值的GARCH（1,1）与GARCH-M的拟合效果，观察上证综指与深圳综指极值之间的溢出效应及相互影响；构造了M-COPULA-GARCH-GH（广义双曲线）模型，并将之应用于沪深两市的高频股票收益数据中日内不同频率交易数据极值时间序列之间相关性的分析中。从金融收益分布假设着手改善风险度量的精度就，首次把广义双曲线分布应用到VaR 的分析方法中计算我国股票指数的VaR；利用Bayes方法和智能算法对SVM中的参数进行估计；利用小波方法对高频数据资产收益的积分波动率进行估计。结果表明，采样的时间间隔越小，得到的估计的误差越小。本研究为高频数据分析方法奠定了良好的基础，具有重要的理论意义和应用价值。