基于高频数据的日频GARCH模型估计

doi:10.16088/j.issn.1001-6600.2020091601

广西师范大学学报（自然科学版） ›› 2021, Vol. 39 ›› Issue (4): 68-78.doi: 10.16088/j.issn.1001-6600.2020091601

基于高频数据的日频GARCH模型估计

李莉丽¹, 张兴发^1,2*, 李元^1,2, 邓春亮¹

1.广州大学经济与统计学院, 广东广州 510006;
2.广州大学岭南统计科学研究院, 广东广州 510006

修回日期:2020-10-10 出版日期:2021-07-25 发布日期:2021-07-23
通讯作者: 张兴发(1982—), 男, 江苏宿迁人, 广州大学副教授, 博士。E-mail: xingfazhang@gzhu.edu.cn
基金资助:
国家自然科学基金(11731015); 广东省教育厅青年创新人才项目(2018KQNCX241); 广州大学科研基金(69-6209254, 220030401)

Daily GARCH Model Estimation Using High Frequency Data

LI Lili¹, ZHANG Xingfa^1,2*, LI Yuan^1,2, DENG Chunliang¹

1. School of Economics and Statistics, Guangzhou University, Guangzhou Guangdong 510006, China;
2. Lingnan Research Institute of Statistical Science, Guangzhou University, Guangzhou Guangdong 510006, China

Revised:2020-10-10 Online:2021-07-25 Published:2021-07-23

摘要/Abstract

摘要： 利用日内高频数据来估计日频GARCH模型。已有相关研究均假定GARCH方程中常数项是给定的,限制了方法的广泛应用。本文基于常规GARCH (1, 1) 模型框架,针对模型全部参数给出了2种估计方法,讨论了估计量的理论性质。针对不同波动率代表,给出最优波动率代表选择标准。模拟研究表明所提参数估计量具有更小的渐近标准差,实证研究给出了所提估计量的一个具体应用。

关键词: GARCH模型, 日内高频数据, 拟极大似然估计

Abstract: This paper studies the daily GARCH model estimation by introducing the intraday high frequency data. Existing results assume that the constant term in GARCH equation is given, which restricts the extensive applications of the method. In this paper, based on the framework of GARCH(1, 1) model, two estimators for all model parameters, together with the according asymptotic properties, are discussed. A criterion is given to choose the optimal volatility proxy. Simulation studies show that the estimators have smaller asymptotic standard deviation and the empirical study gives a specific application.

Key words: GARCH model, intraday high frequency data, quasi maximum likelihood estimation

中图分类号:

O212.1

李莉丽, 张兴发, 李元, 邓春亮. 基于高频数据的日频GARCH模型估计[J]. 广西师范大学学报（自然科学版）, 2021, 39(4): 68-78.

LI Lili, ZHANG Xingfa, LI Yuan, DENG Chunliang. Daily GARCH Model Estimation Using High Frequency Data[J]. Journal of Guangxi Normal University(Natural Science Edition), 2021, 39(4): 68-78.

参考文献

[1]ENGLE R F. Autoregressiveconditional heteroscedasticity with estimates of the variance of United Kingdom inflation[J]. Econometrica, 1982, 50(4): 987-1008.
[2]BOLLERSLEV T. Generalized autoregressive conditional heteroskedasticity[J]. Journal of Econometrics, 1986, 21(3): 307-328.
[3]ENGLE R F,BOLLERSLEV T. Modelling the persistence of conditional variances[J]. Econometric Reviews,1986, 5(1): 1-50.
[4]NELSON D B. Conditional heteroskedasticity in asset returns: a new approach[J]. Modelling Stock Market Volatility, 1991, 59(2): 347-370.
[5]GLOSTEN L, JAGANNATHAN R, RUNKLE D. On the relation between the expected value and the volatility of the nominal excess return on stocks[J]. Journal of Finance, 1993, 48: 1779-1801.
[6]BOLLERSLEV T, GHYSELS E. Periodic autoregressive conditional heteroskedasticity[J]. Journal of Business a Economic Statistics, 1996, 14(2): 139-151.
[7]BAILLIE R T, BOLLERSLEV T, MIKKELSEN H O. Fractionally integrated generalized autoregressive conditional heteroskedasticity[J]. Journal of Econometrics, 1996, 74(1): 3-30.
[8]BERKES I, ATH L H, KOKOSZKA P. GARCH processes: structure and estimation[J]. Bernoulli, 2003, 9(2): 201-227.
[9]FRANCQ C, ZAKOIAN J. Maximum likelihood estimation of pure GARCH and ARMA-GARCH processes[J]. Bernoulli, 2004, 10(4): 605-637.
[10]HALL P, YAO Q. Inference in ARCH and GARCH models with heavy-tailed errors[J]. Econometrica, 2003, 71(1): 285-317.
[11]BERKES I, HORVATH L. The efficiency of the estimators of the parameters in GARCH processes[J]. Annals of Statistics, 2004, 32(2): 633-655.
[12]邹建军, 张宗益, 秦拯. GARCH模型在计算我国股市风险价值中的应用研究[J]. 系统工程理论与实践, 2003, 23(5): 20-25,135.
[13]王娟. 国际市场现货价格与期货价格指数波动的GARCH族分析[J]. 统计与决策, 2015(16): 160-162.
[14]孙柏, 李小静. 基于GARCH 类模型的人民币汇率非线性依赖关系研究[J]. 财经理论与实践, 2016, 37(1): 41-47.
[15]王朋吾. 基于GARCH(1,1)模型的粮食市场价格波动溢出效应比较[J]. 统计与决策, 2017(16): 138-141.
[16]黄宗远, 沈小燕. ARCH模型在我国金融市场的应用情况研究[J]. 广西师范大学学报(哲学社会科学版), 2007, 43(1): 21-25.
[17]VISSER M P. GARCH parameter estimation using high-frequency data[J]. Journal of Financial Econometrics, 2011, 9(1): 162-197.
[18]HUANG J S, WU W Q, CHEN Z, et al. Robust M-estimate of GJR model with high frequency data[J]. Acta Mathematicae Applicatae Sinica, 2015, 31(3): 591-606.
[19]樊鹏英, 兰勇, 陈敏. 高频数据下基于PGARCH模型的VaR估计方法及应用[J]. 系统工程理论与实践, 2017, 37(8): 2052-2059.
[20]吴思鑫, 冯牧, 张虎, 等. 基于高频数据的非平稳GARCH(1,1)模型的拟极大指数似然估计[J]. 中国科学: 数学, 2018, 48(3): 443-456.
[21]WANG M, CHEN Z, WANG C D. Composite quantile regression for GARCH models using high-frequency data[J]. Econometrics and Statistics, 2018, 7: 115-133.
[22]STRAUMANN D, MIKOSCH T. Quasi-maximum-likelihood estimation in conditionally heteroscedastic time series: a stochastic recurrence equations approach[J]. Annals of Statistics, 2006, 34(5): 2449-2495.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

基于高频数据的日频GARCH模型估计

Daily GARCH Model Estimation Using High Frequency Data

PDF (PC)

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 8

Metrics

本文评价

推荐阅读 10

[1]	林松, 尹长明. 两阶段Logit模型的惩罚广义估计方程估计的渐近性质[J]. 广西师范大学学报（自然科学版）, 2019, 37(2): 126-130.
[2]	何琳,杨善朝. α-混合随机域边缘频率插值的渐近方差性[J]. 广西师范大学学报（自然科学版）, 2018, 36(1): 88-94.
[3]	雷庆祝, 秦永松, 罗敏. 强混合样本下刻度指数分布族参数的经验贝叶斯估计和检验[J]. 广西师范大学学报（自然科学版）, 2017, 35(3): 63-74.
[4]	张军舰,赖廷煜,杨晓伟. VaR和ES的贝叶斯经验似然估计[J]. 广西师范大学学报（自然科学版）, 2016, 34(4): 38-45.
[5]	张新成, 张军舰, 詹欢. 基于垂直密度表示的经验欧氏拟合优度检验[J]. 广西师范大学学报（自然科学版）, 2013, 31(4): 60-65.
[6]	杜雪松, 宾石玉, 林勇, 唐章生, 张永德, 曾兰, 杨慧赞, 陈忠. 基于ULCIZ和SIT的罗非鱼耐寒性能测定模型[J]. 广西师范大学学报（自然科学版）, 2013, 31(4): 134-139.
[7]	张军舰, 詹欢, 晏振. 基于经验欧氏似然的拟合优度检验[J]. 广西师范大学学报（自然科学版）, 2012, 30(3): 30-35.
[8]	张军舰, 杨秀芹. 最小加权KS估计[J]. 广西师范大学学报（自然科学版）, 2012, 30(4): 54-58.