基于日内高频数据的多资产协方差估计及其预测模型构建研究

Financial high-frequency data enable us to construct nonparametric “realized estimators” for volatility and covariance, as well as make it possible to identify asset price jumps and cojumps across several assets, and thus have opened a new direction for the modeling and forecasting of asset price covariance. Built on the current researches on covariance modeling with high-frequency data, this project employs the intraday high-frequency trade and quote data of China’s securities, futures and option markets, and improves covariance modeling from three aspects: the construction of realized estimators, the choice of exogenous variables and the design of model structure. More specifically, we improve the fit and forecasting performance of covariance matrix through 1) appropriately designing realized estimators for covariance matrixes of normal and ultra high dimensions, 2) effectively identifying cojumps across assets and appropriately modeling cojumps, 3) appropriately bringing in exogenous variables such as macroeconomic variables, trading volumes, overnight returns, jumps and cojumps as well as their intensities, 4) incorporating non-linear structures, 5) optimizing the time-scale structures of multivariate HAR models according to Chinese financial markets' actual heterogeneous structures, etc. Therefore, this project contributes to better understanding of Chinese financial markets' information transmission mechanism and microstructure, provides effective tools for investors' asset pricing, asset allocation and risk management, and provides supports for regulators' policy making and macroscopic supervision.

运用金融高频数据可以构建波动与协方差的“已实现估计量”、识别单资产价格跳跃与多资产联跳，为协方差建模提供了新的途径。鉴于此，本项目选取我国证券、期货、期权等金融市场的日内高频数据，在现有研究基础上，分别从已实现估计量的构建、协方差模型外生变量的选择、协方差模型结构的设计三方面进行创新。通过1）改进提出适用于中国金融市场的中、低、（超）高维协方差估计量，2）有效识别多资产价格联跳并建模分析，3）在协方差模型中合理纳入宏观经济变量、交易量、隔夜收益、跳跃与联跳（强度）等外生变量，4）为协方差模型合理引入非线性结构，5）根据中国金融市场异质性特征优化协方差多元HAR模型时间尺度结构等具体方法，改进对中国金融资产协方差的刻画能力与预测性能。本项目有助于增加对中国金融市场信息传导机制与微观结构的认知，为投资者的资产定价、资产配置与风险管理提供有效基础工具，为监管部门的政策制定与宏观监控提供决策支持。

(对项目的背景、主要研究内容、重要结果、关键数据及其科学意义等做简单概述，800字以内，含标点符号)：.运用金融高频数据可以构建波动与协方差的“已实现估计量”、识别单资产价格跳跃与多资产联跳，为协方差建模提供了新的途径。鉴于此，本项目选取证券、期货等市场的日内高频数据，在现有研究基础上，分别从已实现估计量的构建、协方差模型外生变量的选择、协方差模型结构的设计三方面进行创新。具体的，针对子课题“多资产协方差已实现估计量的构建”，项目组首次提出将充分利用资产日内价格信息的卡尔曼滤波-期望最大化（KEM）估计量用于估计中国股市资产的高维协方差矩阵，并首次实证分析了KEM估计量在常用波动择时策略中的适用性。针对子课题“多资产联跳的识别与分析”，项目组提出采用赋权标准偏差因子对日内收益进行模式调整并采用平均外积统计量识别联跳；联跳强度建模时提出在自回归条件风险模型中引入宏观信息公告外生变量；实证表明引入宏观信息公告变量可以实现对联跳强度更有效的建模。针对子课题“协方差模型外生变量的选择”，项目组通过引入联跳强度、隔夜信息、百度指数代理的投资者关注，实现了波动与协方差预测性能的有效提升。针对子课题“协方差模型结构的设计”，项目组通过在模型回归系数中引入对测量误差的敏感性，引入逻辑平滑转移结构等形式，对已实现波动及已实现协方差的模型结构进行了有益的拓展。本项目有助于增加对中国金融市场信息传导机制与微观结构的认知，为投资者的资产定价、资产配置与风险管理提供有效基础工具，为监管部门的政策制定与宏观监控提供决策支持。