论文总字数：14114字

摘 要

创业板自2009年上市以来，就受到了各界学者的广泛关注。创业板作为专为暂时无法在主板上市的创业型企业、中小企业和高科技产业企业等需要进行融资和发展的企业提供融资途径和成长空间的证券交易市场，是对主板市场的重要补充，在资本市场有着重要的位置。通过高频数据来研究创业板，一方面可以更加科学地促进证券市场规范，推动经济发展，另一方面，也可完善高频数据的相关研究。本文研究了创业板内代码为300017的网宿科技从2016年2月4日至2017年2月4日的一分钟高频数据。首先我们基于高频数据分析了ARCH，GARCH和FIGARCH模型特点，通过研究得出ARCH模型和GARCH模型无法较好地研究股市收益率波动的长记忆性；其次，我们引入FIGARCH模型研究高频数据的波动性问题，通过将FIGARCH模型转化为GARCH模型，利用AIC准则得出滞后阶数，发现FIGARCH模型在刻画股市收益率的长记忆性上有更大优势。最后，我们将用高频数据和非高频数据（日数据）的收益率波动性研究作比较，由d值的对比得出高频数据能够更加精确地刻画和预测股市收益率的波动性。

【关键词：高频数据 ARCH模型 GARCH模型 FIGARCH模型　长记忆性】

Research on Volatilities of Stock Returns by High-frequency Data

Abstract

Since the Start up Board appeared on the market in 2009,it has attracted wide attention of scholars from all walks of life. As a stock market especially designed to provide those entrepreneurial enterprises, small and medium enterprises and high-tech industrial enterprises who need finance and development with financing channels and growth opportunities. It’s an addenda to the main board and has an important place in the capital market. Via studying the Start up Board, the one hand, we can make the securities market more standardize, on the other hand, we can polish the related researches on high-frequency data. This paper researched on the minute-HF data from 2/4/2016 to 2/4/2017 of a stock in Start-up Board called Wangsu Keji(code 300017).Firstly, we analyzed ARCH,GARCH,FIGARCH models and figured out that ARCH or GARCH models are unable to do research on long memory of volatilities of stock returns. Secondly, we introduced the FIGARCH model for studying the long memory of the volatilities .We translate FIGARCH model into some certain kind of GARCH model .By using the AIC principle, we find out that FIGARCH model are better at doing the above research. Finalist, we compared the results of the volatilities of the high-frequency data and the none-high frequency data(daily data) and through the value of d, we can draw a conclusion that high-frequency data performs better on depiction and prediction about volatilities of stock returns.

Keywords: high-frequency data，ARCH ,GARCH ,FIGARCH，long memory

目录

【摘要】 I

Abstract II

第一章 引言 1

1.1 选题目的和意义 1

1.2 国内外相关研究 1

1.3 本文的研究方法及创新点 3

第二章 数据类型及原理阐述 3

2.1 数据类型 3

2.2 ARCH，GARCH和FIGARCH模型 5

2.3 长记忆性 8

第三章 实证研究 8

3.1 数据来源 8

3.2 算法步骤 8

3.3 比较分析 14

第四章 结论与进一步研究方向 15

参考文献 16

致谢 17

第一章 引 言

1.1 选题目的和意义

从上世纪80年代末开始，高频数据的研究逐渐走上了历史舞台，到90年代，由于电子化交易方式在世界范围内的大规模普及，对于高频数据的研究开始更上一层楼。在此之后，随着计算机技术的突飞猛进和数据库的推广与发展，信息传播储存处理和研究的成本进一步降低，高频数据的作用和重要性愈发突出，尤其重要的一点是，高频数据能够极大的提高人们对于市场的认识能力。

证券市场中波动性变化多端，在高频数据没有得到有效利用以前，人们很难对于波动性做出正确的预测和研究。高频数据的出现，可以有效统计影响股市收益率波动性的各大因素，利用计算机技术，我们可以轻易得到这些因素对于波动性的影响程度大小，从而有效地预测收益率波动性的变化和走向，发现波动率的固有特征。因此，基于高频数据的收益率波动性研究，有助于我们准确判断市场走势，为投资者获得超额收益提供一种有效途径，同时也可帮助相关监管部门有效监管市场异动，规范市场行为。

1.2 国内外相关研究

对于波动性的长期记忆性，国内外许多都采用了GARCH族模型来进行研究。

2011年，韩国的Jae-Won Jung和Kyungsik Kim^[1]采用FIGARCH模型分析韩国国债KTB503的高频数据，发现韩国国债存在这收益率波动性的长期记忆性。James J. Angel和Douglas McCabe^[2]通过对证券市场高频数据的研究，发现即使市场参与者拥有计算机优势辅以高频数据进行操作，也不会破坏证券市场的平衡，相反，其他策略却往往会破坏。王天一和黄卓^[3]在2015年的论文中发现，在研究中引入厚尾分布可以有效改进Realize GARCH模型对实现测度的预测，其中引入t分布的预测精度最高。苗晓宇^[4]通过实证发现，只要模型选择得当，低频数据也能达到高频数据的精度。但是刘广应, 吴海月^[5]认为，Var回归检验表明，基于高频数据波动率度量ARFIMA模型，比基于低频数据GARCH类模型预测VaR效果更好。李平, 高洁, 廖静池^[6]研究认为，存款准备金率的调整会在短时间内导致股票市场总体发生显著变化，另外，存款准备金率的上调对于房地产行业的影响，从长远上看，存款准备金率并未对股票市场造成实质性影响。

请支付后下载全文，论文总字数：14114字