基于SLAD估计的ACD模型及其在沪深股市中的应用研究
The ACD Model with SLAD Estimation and Applications in Shanghai and Shenzhen Stock Markets
随着计算机技术的进步和发展,数据存储和记录的成本越来越低,人们可以获得金融市场上每笔交易的实时数据,即获得采样频率越来越高的数据,这些数据常被称为高频数据或超高频数据.然而高频数据交易的非等间隔使得传统的计量经济模型并不适用于此.因此,针对高频数据的久期,Engle和Russel(1998)提出了ACD模型.经过20年的发展,ACD模型己经得到了广泛的应用.众所周知,对于ACD模型的参数估计,目前运用最多的是极大似然估计(MLE).对于MLE,只有在误差的方差存在的条件下,才具有较好的统计性质,并且在估计过程中往往需要事先假设误差服从某种已知的分布.然而金融高频数据具有重尾的性质,这些数据的方差可能是无穷,这就使得直接假设误差的方差存在显得不合适,并且一旦事先假设的误差分布与实际不符,得出的结论将会不可靠.为了解决MLE的缺陷,有学者提出了用最小一乘(LAD)估计去替代MLE,LAD估计结果虽然较MLE更加稳健,但LAD估计给了离群点和正常点相同的权重,这也稍显不合理.针对MLE和LAD估计存在的问题,本文采用自加权最小一乘(SLAD)估计对ACD模型进行参数估计,并在一定假设条件下证明了SLAD估计的渐近正态性.随后在假设误差服从Pareto分布、Burr分布和Frechet分布等重尾分布的情况下,进行数值模拟.通过对模拟结果进行比较分析,发现在数据方差无限且存在异常值时,SLAD估计结果的MSE最小且最稳健.最后将SLAD估计用于沪深股市数据,分别对青岛海尔、百联股份和宝信软件三只股票的交易量久期和价格久期进行了研究,发现SLAD估计结果的AIC和MSE均小于MLE和LAD估计,由此说明SLAD估计更适合ACD模型的参数估计.
- 作者：
- 吴梦雪
- 学位授予单位：
- 浙江工商大学
- 专业名称：
- 统计学
- 授予学位：
- 硕士
- 学位年度：
- 2018年
- 导师姓名：
- 傅可昂
- 中图分类号：
- F832.51；O212.1
- 关键词：
- 自加权最小一乘估计；ACD模型；重尾；渐近正态性；交易量久期；价格久期
- Self-weighted least absolute delivation; ACD model; Heavy tail; Asymptotic normality; Trading volume duration; Price duration;