排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
金融高频时间序列由于数量大,周期短,信息丰富从而可以很好的反映金融市场特征。通过绘出平均双幂变差已实现波动率散点图(BiPowe Realized Volatility Signature Plot,BSP),建立BSP-HAR-RV模型,改进以往国内通过列举法选择最优频率的方法。最后对TCL集团股票价格一年多的高频数据实证分析,验证模型结果,并将其在最优频率下测量得到的HAR-RV模型预测结果与以往广泛使用的5min、10min频率下得到的结果进行比较,发现最优抽样频率下模型预测能力较好,具有可行性。 相似文献
2.
高频数据由于自身数量大、周期短、信息丰富的特点而受到关注。基于高频数据。对金融时间序列的厚尾特征进行条件极值分布下的VaR估计。在对条件均值和条件波动率估计时,以往采用一阶自回归模型和GARCH模型,但基于高频数据的估计较为繁复。为了充分利用日内信息,基于高频样本观测值,建立已实现均值RM模型,在考虑市场异质性的基础上,对条件均值进行估计。通过对TCL股票价格进行实证分析,估计出VaR风险值,验证模型是合理的。 相似文献
3.
金融高频时间序列数量大、周期短、信息丰富,可以很好地反映金融市场特征。通过绘出平均双幂变差已实现波动率散点图(Bi Powe realized volatility Signature Plot,BSP),建立BSP-HAR-RV模型,改进以往国内通过列举法选择最优频率的方法。最后对TCL集团股票价格的高频数据进行实证分析,验证模型结果 ,并将其在最优频率下得到的HAR-RV模型预测结果与以往广泛使用的5min、10min频率得到的结果进行比较,发现最优抽样频率下模型预测能力较好,具有可行性。 相似文献
1