本文關鍵詞：基于超高頻數(shù)據(jù)的計量建模方法及市場交易行為量化研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著計算機技術的飛速發(fā)展及高速互聯(lián)網(wǎng)的日益普及,使得各行各業(yè)數(shù)據(jù)樣本的收集、記錄、存儲和分析成本顯著降低,其存儲方式從最初的手工記錄發(fā)展到智能化數(shù)據(jù)庫存儲,樣本來源從傳統(tǒng)的PC端轉(zhuǎn)向手機移動端。這些技術上的創(chuàng)新使個人不知不覺地加入到了大數(shù)據(jù)時代,每個人既貢獻著自身的數(shù)據(jù)信息,也享受著大數(shù)據(jù)帶來的便捷和高效。高頻數(shù)據(jù)作為金融大數(shù)據(jù)的一種,記錄了交易市場中的日內(nèi)交易信息。具體而言,這類數(shù)據(jù)又可以細分為高頻數(shù)據(jù)和超高頻數(shù)據(jù),高頻數(shù)據(jù)是指日內(nèi)采樣頻率為小時,分鐘或者秒的交易數(shù)據(jù),這類數(shù)據(jù)還是屬于等時間間隔抽樣數(shù)據(jù),只是將抽樣頻率提高到了日內(nèi)水平。數(shù)據(jù)樣本會隨著抽樣頻率的提高,獲得更多的相關信息,但同時也會更多地受到市場噪音的影響。而超高頻數(shù)據(jù)則是指交易過程中的全樣本數(shù)據(jù),即實時采集的逐筆交易數(shù)據(jù)。超高頻數(shù)據(jù)樣本屬于非傳統(tǒng)數(shù)據(jù)結構,它是以事件本身作為數(shù)據(jù)的唯一標識,而傳統(tǒng)時間序列中往往以事件發(fā)生的時間點作為標識。相對低頻數(shù)據(jù)而言,高頻數(shù)據(jù)除了具有一般意義下的ARCH特征,如厚尾性,非正態(tài)性及聚集性等特征外,還具有日內(nèi)周期性效應、離散價格取值及高度相關等高頻特征。如何對高頻數(shù)據(jù)及超高頻數(shù)據(jù)進行處理分析一直都是金融計量理論和實證研究的前沿方向。中國股票市場作為轉(zhuǎn)軌經(jīng)濟時期發(fā)展起來的新興證券市場,與其他國際成熟市場相比,其交易制度和交易品種尚不完善,股票價格受政策消息波動明顯,投機行為嚴重,具有特殊的市場結構特征。同時,隨著我國證券交易所逐步推出了實時交易數(shù)據(jù)(Level-2行情),包括日內(nèi)逐筆成交記錄、十檔委托行情、買賣隊列等信息,這為我國股票市場微觀結構的定量研究提供了數(shù)據(jù)基礎。因而,如何通過高頻數(shù)據(jù)計量建模揭示我國市場微觀結構和交易行為特征,進而設計出合理的股票交易機制并實施有效監(jiān)督,這對降低我國股票市場信息不對稱帶來的交易風險和推動市場的健康發(fā)展具有十分重要的理論和現(xiàn)實意義。本文以超高頻數(shù)據(jù)為研究對象,分別從理論方法和實證研究兩個角度進行論述。從建模角度來看,重點關注超高頻數(shù)據(jù)下持續(xù)期模型的參數(shù)估計方法及日內(nèi)效應問題。同時以市場微觀結構理論為實證理論基礎,結合超高頻持續(xù)期相關模型實證研究了中國股票市場日內(nèi)交易行為的非線性特征。本文的主要研究內(nèi)容及結論如下：(1)引入計算機領域的聚類算法SOM,優(yōu)化持續(xù)期模型下的日內(nèi)效應調(diào)整問題日內(nèi)效應在金融高頻數(shù)據(jù)研究中已被廣泛證實,是一種日內(nèi)周期性運動的動態(tài)效應,它影響了以微觀金融指標為參數(shù)的計量模型的準確估計。常用日內(nèi)效應調(diào)整方法從先驗的周期性結構變點出發(fā),即在建立參數(shù)估計方程之前已經(jīng)明確定義了日內(nèi)調(diào)整的固定時間周期,例如以單位小時交易時間,或者等間隔的分鐘交易時間(5分鐘,15分鐘,30分鐘,60分鐘等)為周期的節(jié)點,建立與日內(nèi)周期結構對應的加權平均或者平滑函數(shù)。但這類方法沒有很好地從數(shù)據(jù)角度出發(fā)挖掘日內(nèi)結構自身的動態(tài)性,往往導致高頻時間序列數(shù)據(jù)的日內(nèi)效應調(diào)整效果不盡如人意�；诮鹑诔哳l持續(xù)期數(shù)據(jù),該部分內(nèi)容首先論述日內(nèi)效應調(diào)整的重要性,然后引入自適應映射(SOM)的方法對日內(nèi)效應進行調(diào)整。SOM是一種基于神經(jīng)網(wǎng)絡學習的特征提取方法,能夠動態(tài)識別高維數(shù)據(jù)中的結構特征,克服了靜態(tài)調(diào)整方法的不足。最后通過建立基于自回歸條件持續(xù)期模型(ACD)的蒙特卡羅模擬實驗,比較了三種日內(nèi)效應調(diào)整方法的效果。模擬結果表明SOM方法在日內(nèi)效應調(diào)整中更為有效和穩(wěn)定,特別適合大數(shù)據(jù)條件下的周期性結構分析。(2)比較分析持續(xù)期模型不同隨機擾動項和參數(shù)估計方法的性能效果已有應用不同分布條件下的ACD模型比較GLS與(Q) MLE等不同估計方法之間性能的學術成果尚不多見。在條件均值方程正確設定的前提下,如何選擇一個合適的參數(shù)估計方法及擾動項分布是值得深入分析的問題。該部分內(nèi)容針對不同隨機擾動項分布下的ACD模型,比較分析了線性廣義最小二乘和不同目標函數(shù)下(擬)極大似然參數(shù)估計的效果。ACD模型是以隨機擾動項分布的危險率函數(shù)作為超高頻數(shù)據(jù)集分布的特征描述,通過蒙特卡洛模擬實驗,該部分討論了Exp, Weibull, Burr,廣義Gamma分布函數(shù)的適用性及GLS與(Q) MLE估計方法下參數(shù)估計的統(tǒng)計性質(zhì)與估計效果。模擬實驗結果表明,以Burr分布作為極大似然目標函數(shù)的(Q) MLE估計在不同分布特征下的數(shù)據(jù)集中表現(xiàn)最為穩(wěn)定,而簡單易行的GLS方法在大樣本的情況下也能得到較為準確的估計結果。最后通過實例比較驗證了ACD(1,1)模型在上述方法下的預測效果。(3)通過狀態(tài)轉(zhuǎn)換機制下的持續(xù)期模型研究了中國股票市場微觀結構中的非線性交易行為特征當前高頻時間序列的理論研究日趨成熟,這為動態(tài)刻畫市場微觀特征,研究交易者交易行為,探究信息傳播機制提供了可行的建模思路。本文旨在以非線性自回歸條件持續(xù)模型為基礎,從高頻數(shù)據(jù)視角實證研究中國股票市場日內(nèi)異質(zhì)交易行為的非線性特征及其識別問題。該部分內(nèi)容的主要貢獻如下：首先,基于已有文獻的研究,將ACD模型中的隨機擾動項Weibull分布拓展為三狀態(tài)下Logistic轉(zhuǎn)換函數(shù)的混合分布類型,并以交易強度作為狀態(tài)開關變量用以區(qū)分三類交易者類型,從而構造狀態(tài)轉(zhuǎn)移機制下的非線性ACD模型。其次,以信息模型理論為基礎,通過狀態(tài)轉(zhuǎn)移機制下的ACD模型實證建模分析了中國股票市場相關數(shù)據(jù),以2014年11月滬港通開啟作為信息事件,并以該期間的龍頭行業(yè)券商股作為數(shù)據(jù)樣本,根據(jù)模型參數(shù)估計結果得到當前市場三類不同交易者所占比例,各狀態(tài)之間的轉(zhuǎn)移速率,日內(nèi)分時交易狀況,不同交易者買賣行為特征,并對其成因進行深入剖析。最后,重點分析了滬港通開啟前后不同交易者交易策略的變化趨勢及其與股價變動相關關系,以此探究我國股票市場相關機制的不足與改進措施。綜上所述,本文緊緊圍繞超高頻數(shù)據(jù)持續(xù)期模型展開研究。首先,對超高頻數(shù)據(jù)下的日內(nèi)周期性效應問題進行了深入探討,研究方法和研究結果不僅有助于理解高頻時間序列模型與傳統(tǒng)時間序列模型的區(qū)別,亦能更好揭示高頻時間序列結構的特征。其次,對持續(xù)期模型理論進行了全面總結歸納,并且對其參數(shù)估計方法進行了科學系統(tǒng)的比較分析,從而為持續(xù)期模型的應用提供了可靠的參考依據(jù)。最后,首次從狀態(tài)轉(zhuǎn)換機制下的非線性持續(xù)期模型視角對中國股票市場日內(nèi)交易行為進行了實證研究,該研究對完善我國股票市場結構和交易機制有著重要指導作用,在一定程度上推動了我國股票市場的合理健康發(fā)展。所以本文的研究具有重要的理論價值和實際意義。
【關鍵詞】：超高頻數(shù)據(jù) ACD模型 日內(nèi)效應 市場微觀結構 參數(shù)估計 狀態(tài)轉(zhuǎn)換
【學位授予單位】：東北財經(jīng)大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：F224;F832.51
【目錄】：

• 摘要2-5
• Abstract5-14
• 1 緒論14-22
• 1.1 研究背景14-16
• 1.2 研究目的及研究意義16-18
• 1.3 研究方法、主要內(nèi)容及創(chuàng)新點18-22
• 1.3.1 研究方法18-19
• 1.3.2 主要內(nèi)容19-20
• 1.3.3 創(chuàng)新點20-22
• 2 文獻綜述22-38
• 2.1 高頻及超高頻數(shù)據(jù)研究綜述22-27
• 2.1.1 高頻及超高頻數(shù)據(jù)研究歷程22-24
• 2.1.2 國內(nèi)相關研究現(xiàn)狀24-27
• 2.2 市場微觀結構研究綜述27-35
• 2.2.1 市場微觀結構的相關概念28-29
• 2.2.2 市場微觀結構理論的發(fā)展歷程29-34
• 2.2.3 國內(nèi)相關研究現(xiàn)狀34-35
• 2.3 日內(nèi)效應研究綜述35-38
• 3 持續(xù)期數(shù)據(jù)特征及其計量模型38-66
• 3.1 中國股票市場持續(xù)期數(shù)據(jù)特征38-47
• 3.1.1 持續(xù)期的類型描述38-39
• 3.1.2 持續(xù)期的統(tǒng)計特征39-45
• 3.1.3 持續(xù)期的日內(nèi)效應45-47
• 3.2 點過程模型47-51
• 3.2.1 點過程的基本概念47-48
• 3.2.2 點過程模型分類48-51
• 3.3 持續(xù)期模型族51-60
• 3.3.1 基本模型51-56
• 3.3.2 隨機擾動項的擴展56-58
• 3.3.3 模型形式的擴展58-60
• 3.4 其他相關模型60-65
• 3.5 本章小結65-66
• 4 基于持續(xù)期模型的日內(nèi)效應調(diào)整方法研究66-86
• 4.1 引言66
• 4.2 日內(nèi)效應調(diào)整66-72
• 4.2.1 相關理論方法66-71
• 4.2.2 日內(nèi)效應調(diào)整的必要性71-72
• 4.3 自組織特征映射方法及日內(nèi)持續(xù)期模型設定72-76
• 4.3.1 自組織特征映射方法72-74
• 4.3.2 日內(nèi)持續(xù)期模型設定74-75
• 4.3.3 其他調(diào)整方法75-76
• 4.4 數(shù)值模擬76-79
• 4.4.1 數(shù)據(jù)生成過程76-78
• 4.4.2 日內(nèi)調(diào)整過程78-79
• 4.5 模擬結果分析79-85
• 4.5.1 確定性趨勢結果分析79-83
• 4.5.2 隨機性趨勢結果分析83-85
• 4.6 本章小結85-86
• 5 持續(xù)期模型參數(shù)估計方法比較86-108
• 5.1 引言86-88
• 5.2 模型設定及基本理論88-93
• 5.2.1 ACD模型88-89
• 5.2.2 OLS和GLS估計89-91
• 5.2.3 (Q)MLE估計91-93
• 5.3 數(shù)值模擬過程93-94
• 5.4 模擬結果分析94-104
• 5.4.1 不同估計方法的比較94-96
• 5.4.2 不同樣本容量的比較96-102
• 5.4.3 不同隨機擾動項分布的比較102-104
• 5.5 實證分析104-106
• 5.5.1 數(shù)據(jù)選取及描述性分析104-105
• 5.5.2 實證結果分析105-106
• 5.6 本章小結106-108
• 6 基于持續(xù)期模型的市場交易行為特征研究108-132
• 6.1 引言108-111
• 6.2 理論基礎111-113
• 6.3 狀態(tài)轉(zhuǎn)換機制下的持續(xù)期模型設定113-115
• 6.4 樣本數(shù)據(jù)收集與預處理115-119
• 6.4.1 數(shù)據(jù)來源及描述性統(tǒng)計115-119
• 6.4.2 日內(nèi)效應調(diào)整119
• 6.5 實證結果分析119-130
• 6.5.1 交易者類型狀態(tài)121-122
• 6.5.2 交易者狀態(tài)轉(zhuǎn)換速率122-123
• 6.5.3 交易者行為特征分析123-127
• 6.5.4 外部信息事件影響127-130
• 6.5.5 模型比較130
• 6.6 本章小結130-132
• 7 結論及展望132-136
• 7.1 本文主要研究結論132-134
• 7.2 進一步研究方向134-136
• 在學期間科研成果136-137
• 參考文獻137-153
• 后記153-154

  本文關鍵詞：基于超高頻數(shù)據(jù)的計量建模方法及市場交易行為量化研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：288491