符号收益与跳跃变差视角下的高频波动率预测模型

"高频波动率预测模型研究：基于符号收益和符号跳跃变差的视角，马锋，魏宇，黄登仕。本文通过符号收益率视角，分析HAR-RV类模型及跳跃扩展模型，构建新型波动率模型，并结合符号收益与跳跃识别方法，提出含符号跳跃变差的HAR-RV模型，利用样本外滚动窗预测和MCS检验评估模型预测效能。研究发现，基于C_TZ跳跃识别的符号跳跃变差对短期预测有显著改善，但对中长期预测效果不明显。新模型HAR-S-RV-TJ-TSJV和HAR-S-RV-TJ在短期和中长期预测上表现最佳。关键词：高频波动率模型，跳跃，已实现半变差，符号跳跃变差。" 本文是马锋、魏宇和黄登仕共同研究的成果，属于首发论文，探讨了高频金融数据中的波动率预测问题。研究者们从符号收益和符号跳跃变差的角度出发，对现有的高频波动率预测模型，特别是HAR-RV（基于日收益率的分段线性模型）及其跳跃扩展模型进行了深入研究。他们首先对这些模型进行了相应的分解，旨在构建更为精确的新型HAR-RV类波动率模型。 在理论分析的基础上，研究者引入了符号收益的概念，这是金融领域中一种处理非对称信息的方法，能够更好地捕捉市场的上涨和下跌动态。同时，他们结合了不同的跳跃识别检验方法，例如C_TZ跳跃识别检验，来识别和量化符号跳跃变差，即价格变动中的跳跃成分对波动率的影响。这样做是为了更准确地反映金融市场中突发事件对波动率的影响。 为了评估这些新型模型的预测性能，研究者采用了样本外滚动窗口预测技术，这是一种常用的数据预测验证方法，可以持续更新模型并测试其对未来数据的预测能力。同时，他们运用了“模型信度设定”（MCS）检验法，这是一种比较不同模型预测效果的统计方法，可以确定哪个模型在特定条件下的预测精度最高。 实验结果显示，基于C_TZ跳跃识别检验的符号跳跃变差对于短期（未来1天）的波动率预测有显著提升，但这种提升在中长期（未来5天和20天）预测中并不明显。这表明，尽管符号跳跃变差在短期内能够捕捉到市场异常活动，但其对中长期市场趋势的把握可能并不如预期。此外，新提出的HAR-S-RV-TJ-TSJV模型和HAR-S-RV-TJ模型在短期和中长期预测上表现最优，显示了较高的预测精度。 这一研究对于金融风险管理、金融工程和金融复杂性领域的理论与实践具有重要意义。它不仅丰富了高频波动率预测模型的理论框架，还提供了改进现有模型的新思路，有助于金融市场参与者更准确地理解和预测市场波动，从而制定更有效的投资策略。同时，这种研究方法也为未来相关领域的研究提供了新的研究路径。