打字猴:1.703563271e+09
1703563271 当以更高的频率抽样时,由于在同样的测量时间段内有了更多的数据点,因此往往能够改善估计质量。不过一旦使用了非常高频数据(具体多高频取决于具体的产品,但是通常指时间间隔在一分钟以内的),我们便会无法知晓真实的价格。例如,考虑这么一个例子,某只股票的真实波动率是30%,如果使用15分钟价格数据来估计波动率,0.1%的买卖价差便可能导致波动率估计量出现2%的偏差,这是由于我们使用了合约标的真实价格的有噪声的估计值来作为输入值。因为真实的价格可能与我们实际的观察值相差0.1%,所以随着抽样频率的提高,这个问题将会越来越突出。Ait-Sahalia、Mykland和Zhang(2005)研究了在存在微观结构噪声的情况下,如何找到最优的抽样频率,但是他们的方法对计量经济学技术和数据存储空间都有很高的要求,从而使这个方法在短期内无法被大多数期权交易员使用。
1703563272
1703563273 为了尽量避免这些问题的发生,我们往往选择相对交易时间而言较长的抽样区间。虽然不同产品之间会有区别,但大体上15~30分钟会是不错的切入点。
1703563274
1703563275 在分析每日收益率时,周期性因素不会造成大的问题。有证据表明,股票波动率一般在周五时较低,而在周一时较高,不过两者之间的差别很小。然而,在使用高频数据时,有两个重要的周期性效应需要我们留意。
1703563276
1703563277 早期使用高频收益率来估计波动率的研究,所针对的是外汇市场。这些市场的交易是连续的。不管是精心设计的还仅仅是因为运气,这样做会避免一个主要问题:如何体现隔夜收益率。对于其他市场而言,我们需要考虑这个问题。在美国,股票在交易所里有6.5个小时的交易时间。所以从量级来说,隔夜收益率会与其他日内收益率显著不同。隔夜收益率在特性上也存在不同。大部分与股票价格相关的新闻都是在交易日内发生的,事实上很多都是在公共交易时段内发生的,同时波动率的很大一部分都是由交易量驱动的。
1703563278
1703563279 有多个方法来处理这个问题。第一种就是在估计波动率时,简单忽略掉隔夜收益率,而仅使用日内收益率。这种做法与在上市公司公布业绩时忽略价格跳空的做法类似。但这种做法有明显的缺陷,因为隔夜收益率是真实存在并且显著的,其数值常常可以与日内收益率相提并论。
1703563280
1703563281 另一种方法是在高频序列中,将隔夜收益率与其他收益率同样对待。然而,将一个17.5小时的收益率等价于诸如15分钟的收益率的做法看上去总有些别扭。
1703563282
1703563283 我所喜欢的方法是去计算总方差中有多大比例是由隔夜收益率所造成的。首先,我们不考虑隔夜收益率,将当日的第一个收益率定义为:
1703563284
1703563285
1703563286
1703563287
1703563288 而不是:
1703563289
1703563290
1703563291
1703563292
1703563293 所有其他的收益率都用通常的方式来计算。接着我们像以前一样估计波动率并且通过合适的系数将其年化[例如,每个交易日有13.5个小时区间,如果我们使用的是30分钟收益率,那我们就要把结果乘上13和252(美国每年的交易天数)乘积的平方根]。
1703563294
1703563295 接下来,我们需要确定该交易日的总方差值。这可以通过用日频数据来计算收盘价–收盘价波动率,然后将它与用日频开盘价–收盘价计算的波动率相比较。对于在美国上市的大多数股票来说,总波动率中大约85%的部分是在交易时段发生的。指数的更高,估计有90%。美国存托凭证则低一些,大概在60%~70%。如果将原始波动率的估计值除以这个因子,我们就得到了经过开盘跳空调整后的高频波动率估计量。通过这种方式来使用更多数据的好处就在于,由于在给定时间段内包含了更多的数据点,这样能使抽样误差变小。虽然使用最近250个交易日数据来估计当前波动率显得不那么合适,但250个30分钟频数据也才仅仅跨越了20个交易日而已。假设真实过程在这样短的周期内是平稳的,就比较符合实际了。
1703563296
1703563297 另一个需要牢记的关于周期性的特征是:真实波动率在一天内的变化可能会很大,而且这一变化是可以预测的。图2-7~图2-9展现了从2007年4月23日到2007年6月4日这段时间日内波动率的变化情况(用30分钟收益率数据计算的Parkinson波动率的平均值来作为日内波动率的估计值)。这里我们列出了微软(MSFT)、花旗集团(C)和基因科技(DNA)的日内波动率形态。它们的形态都比较类似,刚开盘时的波动率最高,然后慢慢走低,最后收盘时出现一波小幅的回升。相似的形态在外汇、债券和指数市场上也能见到(Lequex,1999)。
1703563298
1703563299
1703563300
1703563301
1703563302 图2-7 微软的日内波动率
1703563303
1703563304
1703563305
1703563306
1703563307 图2-8 花旗集团的日内波动率
1703563308
1703563309
1703563310
1703563311
1703563312 图2-9 基金科技的日内波动率
1703563313
1703563314 这个特征挺有意思。但对于期权交易而言,我们其实是对较长期的平均波动率更感兴趣[在计量经济学文献中,也被称为整合波动率(integrated volatility)]。在比几天更长的时间尺度上,这些快速的日内周期性都会被平均掉。而在较短的时间尺度上,路径依赖效应是波动率预测误差的主要来源。
1703563315
1703563316 使用高频数据的效果显而易见。通过使用更高频率的数据,可以让我们能够使用更多的近期数据。这会让估计值向真正的、不可观测的波动率收敛,从而避免使用太久远而与当前市场无关的数据。不过,高频数据的使用也有一些需要注意的地方。
1703563317
1703563318 首先,执着于使用超高频数据的交易员,需要认真地对待市场微观结构的问题。例如,买卖价跳跃是影响价格的重要特征,但却对长期波动率没有什么影响。对这些微观结构效应进行讨论,已经超出了本书的范围。感兴趣的读者可以翻阅Gencay(2001)或者Lequex(1999)。
1703563319
1703563320 其次,抽样的频率与估计波动率的目的相关。例如,如果我们希望预测市场影响(见第6章的Gatheral模型),那使用高频收益率就可能是合理的。但很多证据(Corsi,2009;Lynch和Zumbach,2003)表明,低频波动率是高频波动率的更好估计量,反之却不是。因此,使用高频数据来作为长期估计的工具,可能是一个错误的方法。
[ 上一页 ]  [ :1.703563271e+09 ]  [ 下一页 ]