北京工商大学学报
(
社会科学版
)摇 摇 摇 摇 2015
年
摇
第
4
期
具体而言
,
第一个峰值约发生在
9:45,
第二
个峰值约发生在
11:15,
第三
、
四个峰值发生时间
较为接近
,
分别约在
13:50
和
14:15,
即
13:50—
14:15
时间段市场发生巨幅震荡的概率较大
;
日
内均值约为
0郾 7,
最大值约为
1郾 2,
最小值约为
0郾 35,
此形态有效地刻画了股指期货价格连续性
波动的日内效应
,
但此结论与
Bollerslev
et al.
(2013)
[4]
的分析有所差异
,
其认为
TOD
i
在日内
呈现
“U冶
形态
。
考虑
TOD
i
动态指标的阈值标准能够有效分
离日内连续性波动和非连续性波动
(
图
2
所示
),
琢
(
j
)
子
n
-
棕
表示考虑扩散变差与日均变差比值的阈
值标准
,
驻
n
子
p
(
j
)
代表交易日内任意高频区间的价格
波动情况
,
如果某高频区间收益率波动值大于阈
值标准则确认发生跳跃行为
,
反之则认为不发生
跳跃
。
结果表明
,5
分钟高频数据
56 214
个样本
中有
5 659
个样本点确认发生价格跳跃行为
,
占
比约
11
%
,
样本交易日内平均发生
6
次左右跳跃
行为
。
相较其他相关文献的研究结论
,
赵华
、
秦可
佶
(2014)
[11]
将参数
gamma
设置成
2郾 5,
研究中国
股市发现发生跳跃的日内时间点约占总样本
1郾 97
%
;
程展兴
(2013)
[12]
通过修正
“
方差互换
冶
模型逐时检测股指期货主力合约的日内跳跃情
况
,
结果日内跳跃平均频数要低于
2
次
(
共
178
次
),
说明不同的跳跃行为识别方法可能是导致
差异化实证结果的主要原因
,
但
JV-TOD
非参数
方法具有一定的逻辑优势
。
图
2摇
股指期货样本高频区间收益率波动情况
摇
统计股指期货交易日日内跳跃次数时间分布
情况
(
图
3
所示
),
期货价格日内跳跃高频数时间
点有
9:15、9:35、9:40、13:00、13:35、14:05
和
15:
15,
上述结果说明
:(1)
股指期货发生跳跃行为高
密度区间为
9:35—9:45、11:00—11:30
和
14:
20—14:45,
且第二区间的持续期最长
,
幅度最大
。
(2)
国家重要宏观信息公布可能是导致日内价格
跳跃的主要因素
,
例如
9:30
和
13:30
是国家统计
局月度经济数据集中发布点
。
另外
,
考虑到股票
市场的开盘效应溢出
,9:35
和
9:40
较高的跳跃
次数可能是此两因素所致
。
而基于
“
方差互换
冶
识别
—
剔除
—
再识别逐时检测股指期货日内跳跃
行为
,
并按跳跃频率将时间区间由高到低排序为
9:15、14:30、14:45、15:15、9:30、14:00、10:15
和
10:45,
结果差异原因可能有
:
一是样本数据所取
的时间段差异造成的阶段特性
;
二是采用识别方
法不同导致结果的显著差异性
,
但
JV-TOD
非参
数方法的识别结果更能体现日内信息与价格跳跃
行为之间的密切关系
。
图
3摇
股指期货日内跳跃时间
、
频数分布情况
摇
图
4摇
股指期货开盘跳跃绝对值分布情况
同时
,
基于上述方法识别
,
统计期货开盘
15
分钟内发生价格跳跃行为的交易日和具体跳跃
值
。
结果表明
,1 041
个样本交易日中有
245
个交
易日发生开盘跳跃行为
,
占比约
24
%
,
即开盘价
格行为存在较高的不确定性
。
其中
,
开盘跳跃的
最大值为
1 345,
跳跃的最小值
7郾 84,
均值为
142郾 92,
标准差为
175郾 8(
图
4
所示
)。
·08·
