基于高頻數據的GARCH模型的參數估計.pdf

1、隨著電子化交易的普及和信息技術的高速發(fā)展，日內高頻數據的獲取變得越來越容易.一般而言，日內高頻數據往往包含更多的信息.Visser(2011)提出的波動率替代模型能將日內高頻數據嵌入的日間的GARCH模型下，因此我們可以通過構造合適的波動率替代來改進GARCH模型的參數估計.但是高頻數據往往伴隨著市場微觀結構的噪音，它們可能會帶來巨大的估計偏差.因此，在利用高頻數據進行建模的時候，要充分考慮市場微觀結構噪音的影響，選擇更穩(wěn)健，限制條件較

2、少的估計方法.
　　 基于以上考慮，本文首先對基于GARCH的波動率替代模型提出了偽極大指數似然估計(QMELE)，并給出了它的漸近性質，與傳統(tǒng)的高斯偽極大似然估計(QMLE)相比，QMELE的漸近正態(tài)性只需要殘差的二階矩有限.數值模型也顯示QMELE具有較高的精度和穩(wěn)健性.
　　 此外，本文還對基于GJR的波動率替代模型提出了一類穩(wěn)健M-估計.與QMELE類似，該類穩(wěn)健估計的漸近正態(tài)性不需要殘差的四階矩有限.同時，我們

3、還可以通過構造合適的損失函數來獲得較高的效率.為了研究該類穩(wěn)健估計在波動率替代模型下的有限樣本性質，我們進行了蒙特卡羅模擬.模擬結果顯示該類穩(wěn)健估計同時具有高效性和穩(wěn)健性，在具有25％異常點時仍然能夠有較高的精度.
　　 最后，本文介紹了如何利用波動率替代模型來預測VaR的方法.我們對滬深300指數近3年的日內高頻數據進行建模，研究了本文提出的各種估計方法在預測VaR上的表現.實證結果驗證了本文提出的不同估計的有效性和準確性，同