本报告围绕一篇高频波动率预测的权威文章,提出将日内波动率拆分为日度波动率、日内确定性趋势和随机项三部分,利用两步估计方法提高预测精度。实证数据显示,该模型较传统GARCH及不含随机项模型具有更优预测能力,且扩展样本至多只股票联合估计能显著提升参数稳定性和预测准确性。国内容实证中,上证50 ETF分钟级数据应用该模型同样取得更优效果,验证了模型在国内市场的有效性。
报告标题:基于波动率分解的高频波动率预测模型——学界纵横系列之三十八
作者:陈奥林(分析师)、张烨垲(研究助理)及金融工程团队成员
发布机构:国泰君安证券研究所
发布日期:未明示具体日期,但引用的基础文章时间为2000年代初期,结合国内数据时间推断为2022年及以后
研究主题:高频金融资产波动率的预测,结合波动率乘积分解模型,聚焦上证50 ETF等高频交易数据及模型在国内市场的验证。
核心论点:
整体传达的主要信息是传统基于低频数据波动率预测模型难以满足高频交易及衍生品日内定价需求,报告通过分解模型,结合GARCH方法,实证验证了该框架对提升精细高频波动率预测的实用价值。,2,6,9,10,11]
波动率是衡量金融资产风险的重要指标,对风险管理及期权等衍生品定价至关重要。尽管传统研究多集中在日度及更长期波动率预测,高频波动率预测却鲜有涉猎。然而,现代高频策略和算法交易强烈依赖对日内短周期的精确波动率预测。《Forecasting intraday volatility in the US equity market.Multiplicative component GARCH》一文通过波动率乘积分解提供新的预测框架,极大提升了高频波动率预测能力。
传统GARCH模型在高频预测中效果有限,原因包括参数稳定性差、数据频率耦合性不足,对宏观信息的利用难度等,推动了该乘积分解模型的提出。
模型核心:将高频波动率建模为乘积形式:
[ r_{t,i} = \sqrt{h_t s_i q_{t,i}} \varepsilon_{t,i} ]
参数分步估计:
由于乘积形式导致参数联合估计复杂,采用分步估计法:
此分步估计经理论证明具有一致性,同时也兼顾了计算效率与模型精度。
该结构创新点在于引入日内随机波动项区分日内确定性趋势,从而细化了高频波动率的解释框架。,4]
使用VLO股票10分钟区间高频数据,经日度波动率标准化后,计算每个日内时间点的收益标准差(图1),显示波动率在开盘时段最高,中间较平缓,尾盘略高,体现了明确的日内波动模式。
随后对剔除日度及日内趋势影响后的残差波动率用GARCH(1,1)进行拟合,持久性参数 (\alpha+\beta=0.814)(表1),略低于传统GARCH但符合调整预期。
图2展示了包括收益、估计日度波动率、日内确定性趋势、随机项及三项乘积合成波动率,验证了模型对波动率变化的良好拟合。,6]
分开估计:对2721只股票分别单独建模,剔除部分自相关影响后估计GARCH持久性参数。结果表明,较高交易活跃度的股票持久性参数值趋近1,流动性差股票持久性低,提示预测稳定性依赖流动性强弱(图3)。
按组估计:为提升对流动性低股票的估计稳定性,采取将股票按行业(54组)、流动性(50组)及全部合并(1组)三种分组模式联合估计。结果显示分组尤其是流动性分组模型持久性参数均高于单独估计(大多数超过0.9),模型预测稳定性显著增强(图4)。
采用对数似然损失函数(LIK)和均方误差(MSE)两种衡量指标比较5种模型(NSTOCH、不含随机项;UNIQUE单只股票分开估计;INDUST行业分组;LIQUID流动性分组;ONEBIG全部合并)。结果显示:
由此证明,随机日内波动项及样本联合估计提升波动率预测的有效性和稳健性(图5),8,9]。
基于上证50 ETF分钟频率数据(2017-2022年近29万数据点),采用简化GARCH模型估计日度波动率,使用历史均值法估计日内确定性趋势,GARCH模型估计随机内方差。
以样本外测试验证模型预测精度,采用MSE损失函数结果为4.637,优于:
表明分解模型在国内市场适用,显著提升高频波动率预测精度,进一步增强了该模型的泛化能力和现实应用价值。,11]
报告总结指出:
本报告核心不涉及传统的股权估值,而是聚焦于高频波动率预测模型构建及其统计效果,估值分析更多体现在模型选择、参数估计及预测误差度量:
因此,报告的“估值”可视为模型拟合优度和预测准确度的统计“价值”,而非财务估值。模型采用分步GARCH过程,输入参数包括GARCH系数(\omega, \alpha, \beta)等,并通过历史数据计算日内趋势,体现了估计技术路径及合理性。,5,8,9,10]
虽然报告核心未专门开设风险章节,但从内容隐含可归纳包括:
报告在模型选择时以实证为导向,采取多样化分组与跨期验证部分缓解这些风险,但仍需投资者及研究者关注数据和模型适用性。,6,9,10]
总体报告立场客观严谨,实证扎实,但未来研究需持续关注模型拓展与实际应用中复杂因素的影响。,6,10]
本报告围绕基于波动率乘积分解的高频波动率预测模型展开,依托《Forecasting intraday volatility in the US equity market.Multiplicative component GARCH》文章,详尽介绍了模型的理论基础、分步估计方法及实证过程。
通过将高频波动率拆解为日度波动率、日内确定趋势和随机波动三部分模型,结合GARCH模型对随机项进行建模与预测,能够有效改善传统GARCH模型在高频预测中出现的参数不稳定和预测不足问题。
实证检验中,单只股票(如VLO)展示日内波动率确定性模式明显,GARCH模型有效捕捉随机项动态。多股票样本估计表明高流动性股票的波动率持久性更强,低流动性股票适合采用联合分组估计以提高模型稳健性和预测准确度。
模型预测对比结果显示带随机日内项的乘积分解模型显著优于不带该项的NSTOCH模型及直接应用GARCH模型的传统方法。国内层面,以上证50 ETF分钟数据为例,同样验证了该模型预测高频波动率的有效性,显示了良好的实用前景。
各关键图表配合理论论述清晰支持报告结论:
总体而言,报告审慎、系统地论证了乘积分解高频波动率预测模型的理论合理性和实证有效性,为国内高频交易策略、期权定价和风险管理提供了有力的建模工具和研究方向。
[ r_{t,i} = \sqrt{h_t s_i q_{t,i}} \varepsilon_{t,i}, \quad \varepsilon_{t,i} \sim N(0,1) ]
其中:
(h_t):日度波动率(确定)
(s_i):日内时间点确定性波动率趋势
(q_{t,i}):日内随机波动率项, (E(q_{t,i})=1)
(\varepsilon_{t,i}):白噪声误差项
参数估计方法:
[ \hat{s}i = \frac{1}{T} \sum{t=1}^T \frac{r_{t,i}^2}{h_t} ]
随机项( q_{t,i} )用GARCH(1,1)模型:
[ q_{t,i} = \omega + \alpha z_{t,i-1}^2 + \beta q_{t,i-1}, \quad z_{t,i} = \frac{r_{t,i}}{\sqrt{h_t s_i}} ]
本报告专业、系统地引入并剖析了基于波动率乘积分解的高频波动率预测模型,为解决传统高频波动率预测局限提供了有效实证支持。图表数据完善、模型逻辑清晰,整合国际权威文献与本土市场实证,展现出较高的研究价值和实际应用潜力。未来针对多样资产的联合估计、多模式融合及高阶动态波动率模型参数估计等方向,仍有进一步提升空间。
20220422-国泰君安-学界纵横系列之三十八:基于波动率分解的高频波动率预测模型.pdf