1、高頻金融數據的研究現狀及展望摘要：高頻數據是現代計量經濟學研究的重點與熱點，近年來，通過對高頻金融數據進行建模分析已有許多新的研究成果出現。本文總結了現有對高頻金融數據的研究情況，并著重分析了日內效應的研究。在此基礎上，分析現有研究存在的問題，進而展望未來的發展趨勢。關鍵詞：高頻數據 ARCH模型 日內效應 超高頻數據 一、引言高頻數據是隨著計算儲存工具現代化產生的概念，與原有的低頻數據相對，高頻金融數據是在開盤時間和收盤時間之間進行抽樣的交易數據，主要是以小時、分鐘、甚至秒為抽樣頻率的、按時間順序排列的時間序列，如股票價格、大盤指數、交易數量、交易時間間隔等。在金融市場上，信息連續的影響證券

2、市場價格運動。數據的離散采集必然會造成在不同程度上的信息缺失。因此，數據的采集頻率越高，信息的丟失程度就越低。故在現代計量經濟研究中，常采用高頻、超高頻數據，以更加真實的反映研究問題，使研究成果更有現實意義。此外，采用高頻金融數據的另一個出發點是有助于理解微觀金融市場的結構體系。因為目前學界對于微觀金融市場的研究多停留在定性層面，采用高頻數據實證研究可以使研究結果更加的有說服性，同時構建起對微觀市場運作的研究框架。金融高頻數據的主要研究代表是Andersen，他在1997年就證明了ARCH模型對于波動性的良好預估。此后ARCH模型創始人、諾貝爾經濟學獎2003年獲得者Engle的學生Bolle

3、rslev也和Andersen一起做了許多相關研究，如運用GARCH模型估計標準化收益率的波動率等，成果顯著。二、研究現狀目前，對于高頻金融數據的研究還處于初級階段，但令人欣慰的是，學界已形成幾種研究思路，但在研究方法上大都采用對數據建模分析，模型的采用未推陳出新，均以1982年Engle提出的針對低頻數據的研究方法ARCH模型為基礎衍生而來，如弱廣義自回歸條件異方差模型（Weakly GARCH）。常見的研究思路如下：（一）對日歷效應的研究日歷效應是指股票價格、成交量、買賣價格差等及時交易數據存在著周期性的變化規律。日歷效應的存在是對有效市場假說的一種違背，也揭示了市場非有效性的原因。而市場

4、有效假說是尤金法碼（Eugene. Fama） Eugene F. Fama (1970), Efficient Capital Markets: A Review of Theory and Empirical Work, Journal of FinanceJ, XXV(2),May,383-417于1970年提出的現代金融學所有模型的基本性假設。該假說認為，證券價格總是可以即時充分地體現可獲得信息變化的影響。即在某種極端狀態下，不存在基于現在可獲信息獲取超額利潤的機會。日歷效應包括月份效應、星期效應、周內效應以及日內效應等。之所以會產生日內效應，原因有很多。其一，在新興的行為金融學流派看

5、來，投資者的偏好與心理因素可能會導致投資行為的一定趨勢，進而形成日內效應。其二，從強勢有效市場的角度看，新的宏觀層面的信息發布會導致股票市場價格的沖擊性變化，造成日內效應。其三，股市運作的機制要求股市每天閉市 徐正國，張世英.高頻金融時間序列研究: 回顧與展望.西北農林科技大學學報(社會科學版).第五卷第一期，2005年1月，閉市后所有的交易都中止。開市時的及時交易數據都我無法準時獲取，亦無法判斷市場所需。待次一交易日開盤前，此間發生的突發信息的沖擊性和被市場消化的程度都無法準確估計，造成部分業內人士、監管人員得以運用內幕信息獲取超額利潤，形成典型的日內股價U型走勢，即日內效應。研究日內效應的

6、關鍵在于日內的波動趨勢和長期記憶性。對于前者而言，Bollerslev也和Andersen Andersen, T. G. and T. Bollerslev. DM - Dollar volatility: Intraday Activity Patterns, Macroeconomicannouncements, and Longer run dependenciesJ . Journal of Finance, 1998 , 53: 219 265.曾在1996年對德國馬克和美元的匯兌市場進行過研究。研究發現，日內效應、ARCH效應等都會對外匯市場五分鐘收益率的波動持續性產生不同程度上

7、的影響。對于長期記憶性，高頻金融數據都是短期數據，短期一般不存在結構性的變化，但長期即有可能產生長期記憶。通過對高頻數據進行研究，在日內效應被消除的基礎上，就可以判斷長期結構變化的來源是日內效應導致，還是因為市場有效性較低一些市場信息的發布導致時間序列存在結構上的變化。筆者也曾對我國上證指數收益率的日歷效應進行研究，采取新上證指數建立后的7年數據，對其日對數收益率建立GARCH模型，發現存在明顯的周五和周三效應，這是時間序列本身的特征，而非我國股市的一些外部事件地方突發導致的結構性變化。（二）對“已實現”波動率的研究波動率是衍生金融產品定價的關鍵，也是分析投資組合風險的重要指標。以往對低頻數據

8、的研究已經可以對波動率進行較為準確的預估。但高頻數據的出現標志著研究領域的前進，預告著更為精準的預測方法即將出現。近年來，該領域的先鋒人物Bollerslev和Andersen便提出了“已實現”波動率這個概念，即把一段時期內的收益率平方和作為波動率的估計值，在一定的條件下，這種“已實現”波動率是不存在測量誤差的無偏估計量。而且在操作上因為不存在模型，所以不需要進行參數估計，簡便易行。如在2002年，Areal與Taylor Areal. N. M., S. J. Taylor. The realized volatility of FTSE- 100 futures prices. Journ

9、al of Futures arketsJ , 2002,22 (7) : 627 648.一同研究了英國富時100指數中的期貨價格“已實現”波動率。在應用方面，在前文提過的日內效應長期記憶特征的基礎上，Bollerslev與Andersen兩人同Dield一起創立了VAR模型 Andersen T. G. , Tim Bollerslev Francis Diebold, and P. Labys. Modelling and Forecasting Realized Volatility J .Econometrica. 2003, 71 (2) : 579 625.，成為價值風險研究的主

10、要方法。三、當下問題與未來研究趨勢高頻數據是等時間間隔交易的數據，但在實際市場操作時，往往都是非等時間間隔的。所以高頻數據還不足以反映時時交易信息，研究結果也就不夠精準。因此，超高頻數據應運而生。超高頻時間序列記錄了每筆交易的全部數據, 包括兩類信息: 一類是交易的到達時間; 另一類則包含成交價格、成交量以及買賣價差等。著名的ACD模型便是由Engle和Rusell提出的用于刻畫這個隨機交易過程的經典模型 Engle R. F., Russell J. R. Forecasting Transaction Rates: the Auto regressive Conditional Duration ModelR . N EBR Working Paper 4966, 1994.，也是未來高頻數據進一步發展的研究趨勢。另外，現在的高頻數據研究多以“已實現”波動率作為估計。但實際中不同的資產價格過程中導出的該值必然呈現不同的特征，無法絕對衡量評價，還有待細化標準。此外，對于高頻數據的研究國外已