201504 - page 79
第
30
卷
摇
第
4
期 刘晓雪
,
王新超
,
胡俞越
:
日内价格行为视角下中国股指期货开盘跳跃风险管理
时段检测方法
,
且加入了动态指标
,
提高了跳跃行
为识别的准确性
。
在隔夜不确定性收益的研究方
面
,Taylor(2006)
[6]
、Andersen et al. (2011)
[7]
和
刘庆富等
(2013)
[8]
的研究认为
,
隔夜收益所包含
的信息是不容忽视的
,
且考虑隔夜收益的模型可
以更加精准预测日波动率
,
认为隔夜收益是日收
益的重要组成成分
。
孙洁
(2014)
[9]
则通过建立
HAR- CJN
模型说明连续变差对预测的贡献最
大
,
而跳跃变差的影响一般比连续变差的要弱
。
简志宏
、
李彩云
(2014)
[10]
的
HAR-CJ -M
模型贡
献在于将隔夜风险视为日内波动的延续
,
并将投
资者心理因素引入刻画波动率的模型中提高样本
外的预测能力
。
本文假设市场参与者的预期完全
体现在日内价格行为方式
,
改进
HAR-CJ
波动率
预测模型
,
分析隔夜信息驱动下股指期货开盘跳
跃行为机制和溢出效应
,
以期为市场投资者和监
管者提供风险管理的实证依据
。
二
、
实证模型的选择
(
一
)
资产价格日内跳跃的识别方法
假设股指期货的对数价格服从一般的半鞅过
程
,
见式
(1) ~
式
(4)。
其中
,
琢
(
j
)
t
是一个连续的
局部有界变差过程
;
W
(
j
)
t
属于标准的布朗运动
;
滋
(
j
)
(
dt
,
dx
)
是捕捉跳跃行为的随机测度
;
日内不
同时段扩散变差与日平均变差的动态比率为
TOD
(
j
)
i
;
考虑动态比率的识别阈值标准为
琢
(
j
)
子
;
RV
(
j
)
t
和
CV
(
j
)
t
分别表示股指期货日内价格波动的
已实现变差和连续变差
。
dp
j
t
=
琢
(
j
)
t
dt
+
滓
(
j
)
t
dW
(
j
)
t
+
乙
R
x滋
(
j
)
(
dt
,
dx
) (1)
TOD
(
j
)
i
=
n
移
T
t =
1
驻
n
i
t
p
(
j
) 2
1(
| 驻
n
i
t
p
(
j
)
|
臆
酌 BV
(
j
)
t
夷
RV
(
j
)
t
n
-棕
移
nT
s =
1
驻
n
s
p
2
1(
驻
n
s
p
(
j
)
臆
酌 BV
(
j
)
[
s/ n
]
夷
RV
(
j
)
[
s/ n
]
n
-棕
i
t
= (
t
-1)
n
+
i
(2)
琢
(
j
)
子
=
酌 BV
(
j
)
[
子/ n
]
夷
RV
(
j
)
[
子/ n
]
TOD
(
j
)
子
- [
子/ n
]
n
(3)
CV
(
j
)
t
=
移
tn+n
子 = tn+
1
驻
n
子
p
(
j
) 2
1(
驻
n
子
p
(
j
)
臆
琢
(
j
)
子
n
-
棕
)
(4)
那么
,
日内跳跃时刻识别如下
:
祝
(
j
)
[0,
T
]
= {
子
沂[
o
,
nT
]:
驻
n
子
p
(
j
)
逸
琢
(
j
)
子
n
-
棕
},
j
= 0,1,2,…,
M
(5)
(
二
)
改进的
HAR-CJ
模型
假设期货投资者对未来信息的预期会提前反
映到市场波动的价格行为上
,
根据
Andersen
et al.
(2011)
[7]
和简志宏
、
李彩云
(2014)
[10]
改进
HAR
-CJ
模型进行实证
,
见式
(6)。
其中
,
J
kp
,
t
+ 1
表示
期货开盘
15
分钟内发生的跳跃绝对均值
;
CV
d
,
t
、
CV
3
d
,
t
和
CV
5
d
,
t
(
JV
d
,
t
、
JV
3
d
,
t
和
JV
5
d
,
t
)
分别表示当
日
、
前三日和前五日的连续性
(
跳跃
)
波动均值
;
JR
max,
t
表示日内收益率跳跃的最大值
;
FRV
t
表示
期货收盘前
15
分钟的已实现波动值
;
FJV
t
表示
当日收盘前
15
分钟的跳跃波动值
。
J
kp
,
t
+ 1
=
c
+
茁
d
CV
d
,
t
+
茁
3
d
CV
3
d
,
t
+
茁
5
d
CV
5
d
,
t
+
酌
d
JV
d
,
t
+
酌
3
d
JV
3
d
,
t
+
酌
5
d
JV
5
d
,
t
+
酌
max
JR
max ,
t
+
啄
FRV
FRV
t
+
啄
FJV
FJV
t
+
滋
t
(6)
三
、
实证结果与分析
(
一
)
数据来源与说明
本文的研究数据主要来自中国金融期货交易
所和
Wind
资讯数据库
。 5
分钟高频数据的时间
段为
2010
年
4
月
1
日
—2014
年
7
月
31
日
,
共
1
041
个交易日
;
其中
,
股指期货的样本数据量为
56
214
个
,
现货样本量为
49 968
个
。
主力合约数据
是按照成交量最大的合约整理而成
。
(
二
)
实证结果分析
1郾
日内跳跃行为识别结果
基于
5
分钟高频数据得出股指期货交易日的
已实现波动值
(
RV
t
)
和双幂变差值
(
BV
t
),
并根据
公式
(2)
得出股指期货日内不同时间点的扩散变
差与日平均变差比率
TOD
i
的变动情况
,
中国股指
期货
TOD
i
日内大体上呈现
“4夷冶
形态
(
如图
1)。
图
1摇
股指期货
TOD
i
日内动态变化特征
摇
·97·
I...,69,70,71,72,73,74,75,76,77,78
80,81,82,83,84,85,86,87,88,89,...127
