本文關(guān)鍵詞：基于MCMC算法的金融高頻數(shù)據(jù)貝葉斯分析，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著股票市場(chǎng)電子交易的興起和發(fā)展,高頻交易數(shù)據(jù)的獲取成為可能。由于高頻數(shù)據(jù)對(duì)捕捉股市微觀結(jié)構(gòu)有著十分顯著的作用,因此高頻數(shù)據(jù)的分析尤為重要。本文根據(jù)高頻數(shù)據(jù)的特點(diǎn),利用貝葉斯方法,對(duì)高頻數(shù)據(jù)的價(jià)格和持續(xù)期進(jìn)行模型建立及分析。本文選取2016年3月21日至3月25日為期一周關(guān)于浦發(fā)銀行的股票交易高頻數(shù)據(jù)進(jìn)行實(shí)證分析。第一、對(duì)價(jià)格變化建立貝葉斯順序概率模型。對(duì)浦發(fā)銀行3月24日的交易價(jià)格建立貝葉斯順序概率模型,在MCMC抽樣過(guò)程中利用Liu et al.(2000)提出的組變化方法,將某些參數(shù)做線性變換,從而可以大大提高樣本的收斂速度。利用抽樣樣本對(duì)模型參數(shù)進(jìn)行估計(jì)。然后利用已估計(jì)的順序概率模型對(duì)價(jià)格進(jìn)行向前一步的樣本內(nèi)預(yù)測(cè),發(fā)現(xiàn)模型可以捕捉到68%的交易價(jià)格信息。第二、對(duì)持續(xù)期建立貝葉斯門限隨機(jī)條件持續(xù)期模型(T-SCD)�？紤]浦發(fā)銀行3月21至3月25日為期一周的持續(xù)期數(shù)據(jù),利用調(diào)整后的持續(xù)期建立條件持續(xù)期模型,并且通過(guò)信息準(zhǔn)則選擇新息分布為伽瑪?shù)臈l件持續(xù)期模型。經(jīng)過(guò)非線性檢驗(yàn),發(fā)現(xiàn)伽瑪持續(xù)期模型殘差存在非線性性,隨后對(duì)調(diào)整后的持續(xù)期建立兩體制的T-SCD(1,2)模型。比較模型的似然函數(shù)值發(fā)現(xiàn)該模型優(yōu)于其他模型,并可以用來(lái)解釋大量交易和少量交易的交易動(dòng)態(tài)性。第三、對(duì)價(jià)格變化和持續(xù)期建立二元模型(PCD)�？紤]浦發(fā)銀行3月24日的交易數(shù)據(jù),對(duì)其建立貝葉斯PCD模型,利用MCMC算法估計(jì)得到的模型結(jié)果顯示:價(jià)格變化量和持續(xù)期都存在顯著地動(dòng)態(tài)相依性;持續(xù)期越大,則價(jià)格變化期間的交易量越少,同時(shí)交易價(jià)格正向變化的概率越大。此外價(jià)格變動(dòng)方向不同,則價(jià)格變化量所受到的影響因素也不同。價(jià)格負(fù)向變化時(shí),價(jià)格變化量更多的是受到無(wú)價(jià)格變化信息的影響;而價(jià)格正向變化時(shí),價(jià)格變化量更多的是受到非零價(jià)格變化信息的影響。交易信息越多,價(jià)格變化越平穩(wěn);反之,交易價(jià)格波動(dòng)越大。本文的創(chuàng)新點(diǎn)在于對(duì)中國(guó)股票市場(chǎng)的高頻數(shù)據(jù)建立順序概率模型、隨機(jī)波動(dòng)率模型、PCD模型,并利用貝葉斯方法對(duì)模型參數(shù)進(jìn)行估計(jì),以此對(duì)中國(guó)股市的微觀結(jié)構(gòu)進(jìn)行分析,同時(shí)將隨機(jī)持續(xù)期模型進(jìn)行了一定的推廣。
【關(guān)鍵詞】：高頻數(shù)據(jù) 順序概率模型 門限SCD模型 PCD模型 MCMC算法
【學(xué)位授予單位】：華南農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：F224;F832.51
【目錄】：

• 摘要3-4
• ABSTRACT4-8
• 1 前言8-12
• 1.1 研究背景與意義8-9
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀9-11
• 1.3 本文主要工作11-12
• 2 馬爾可夫鏈蒙特卡羅方法12-15
• 2.1 兩個(gè)常用的MCMC算法13-14
• 2.1.1 Metropolis Hasting算法13-14
• 2.1.2 Gibbs抽樣14
• 2.2 MCMC算法的收斂性診斷14-15
• 2.3 實(shí)現(xiàn)MCMC算法的軟件15
• 3 高頻數(shù)據(jù)的特征分析15-17
• 3.1 價(jià)格的離散性15-16
• 3.2 持續(xù)期的日模式16-17
• 3.3 其他特征17
• 4 價(jià)格變化模型17-24
• 4.1 順序概率模型17
• 4.2 參數(shù)的先驗(yàn)分布17-18
• 4.3 貝葉斯條件后驗(yàn)分布的推導(dǎo)18-19
• 4.4 順序概率模型的MCMC抽樣算法19
• 4.5 模擬19-21
• 4.6 實(shí)證分析21-24
• 5 門限持續(xù)期模型24-33
• 5.1 持續(xù)期模型介紹24-25
• 5.2 非線性檢驗(yàn)25-27
• 5.2.1 Ori-F檢驗(yàn)25
• 5.2.2 門限檢驗(yàn)25-27
• 5.3 參數(shù)的貝葉斯推導(dǎo)27-29
• 5.4 TSCD模型的MH抽樣算法29
• 5.5 實(shí)證分析29-33
• 6 價(jià)格變化和持續(xù)期的二元模型33-39
• 6.1 模型介紹33-34
• 6.2 參數(shù)的貝葉斯推導(dǎo)34-35
• 6.3 PCD模型的MCMC抽樣算法35-36
• 6.4 實(shí)證分析36-39
• 7 總結(jié)和討論39-41
• 7.1 總結(jié)39-40
• 7.2 討論40-41
• 致謝41-42
• 參考文獻(xiàn)42-45
• 附錄45-69
• 附錄A 浦發(fā)銀行3月24日9:30:00-9:34:04的價(jià)格變化與持續(xù)期45-51
• 附錄B 高頻數(shù)據(jù)的特征分析程序51-52
• 附錄C 價(jià)格變化的順序概率模型程序52-58
• 附錄D 持續(xù)期模型程序58-69
• 附錄E 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文69

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 趙滌非;唐勇;;基于高頻數(shù)據(jù)視角的上證綜指跳躍原因分析[J];系統(tǒng)科學(xué)與數(shù)學(xué);2015年01期

2 陳杰;;基于高頻數(shù)據(jù)的波動(dòng)率預(yù)測(cè)研究[J];時(shí)代金融;2014年29期

3 王少斌;田新民;;基于高頻數(shù)據(jù)的ACD模型微觀擴(kuò)展應(yīng)用[J];系統(tǒng)工程;2014年09期

4 劉洪;王江濤;;基于高頻數(shù)據(jù)的時(shí)間序列長(zhǎng)記憶系數(shù)比較研究[J];數(shù)理統(tǒng)計(jì)與管理;2014年04期

5 王亞楠;董雅琴;吳祈宗;;基于MCMC的SCD模型擴(kuò)展研究[J];河北工業(yè)科技;2014年01期

6 左浩苗;劉振濤;曾海為;;基于高頻數(shù)據(jù)的股指期貨與現(xiàn)貨市場(chǎng)波動(dòng)溢出和信息傳導(dǎo)研究[J];金融研究;2012年04期

7 孫艷;何建敏;周偉;;非參數(shù)隨機(jī)條件持續(xù)期模型及其迭代算法[J];統(tǒng)計(jì)研究;2011年08期

8 王亞楠;吳祈宗;劉風(fēng);;基于MCMC的ACD與SCD模型比較研究[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2011年09期

9 李素芳;朱慧明;虞克明;郝立亞;;基于Gibbs抽樣的貝葉斯超高頻金融數(shù)據(jù)協(xié)整關(guān)系研究[J];統(tǒng)計(jì)與信息論壇;2010年10期

10 劉偉;陳敏;吳武清;;高頻數(shù)據(jù)交易量久期與價(jià)格變化的動(dòng)態(tài)行為研究[J];數(shù)理統(tǒng)計(jì)與管理;2010年03期

  本文關(guān)鍵詞：基于MCMC算法的金融高頻數(shù)據(jù)貝葉斯分析，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：258485