高頻數據
出自 MBA智库百科(https://wiki.mbalib.com/)
高頻數據(High frequency data)
目錄 |
什麼是高頻數據[1]
高頻數據是指數據採樣的時間問隔較短，採樣頻率大於一般研究時所採用的頻率。但高頻這個概念是相對而言的，例如，對於股票，可能要在一天內有多個數據才能稱為高頻數據，而對於巨集觀經濟數據，可能一周採樣一次就可以稱為高頻數據了。
高頻數據的特點[2]
相對於低頻數據而言，高頻數據並不等同於低頻數據的時間細分，由於受市場信息不確定性和連續性的影響，高頻數據主要呈現下列特點：
1．不規則交易間隔
與傳統的低頻觀測數據(如年數據、月數據、周數據)相比，金融高頻數據呈現出一些獨有的特征。最為明顯的特征便是數據記錄間隔的不相等，市場交易的發生並不以相等時間間隔發生，因此所觀測到的金融高頻數據也是不等間隔的。從而交易間的時間持續期變得非常重要，並且可能包含了關於市場微觀結構(如交易強度)的有用信息。
2．離散取值
金融數據的一個非常重要的特征是價格變化是離散的，而金融高頻的價格取值變化受交易規則的影響，離散取值更加集中於離散構件附近。價格的變化在不同的證券交易所設置不同的離散構件，稱之為變化檔位，我國證券交易所規定股價變化的最小檔位為0．01元；在紐約證券交易所(NYSE)中，最小檔位在1997年6月24日以前是1／8美元，2001年1月29日以前是1／16美元。
3．日內模式
金融高頻數據還存在明顯的日內模式，如波動率的日內“u”型走勢。每天早上開盤和下午收盤時交易最為活躍，而中午休息時間交易較平淡，隨之而來的交易間的時間間隔也呈現出日內迴圈模式的特征。Mclnish和Wood(1992)對價格波動率的日內模式進行了探索，發現波動率在早上開盤和下午收盤時往往較大，交易量以及買賣價差也呈現出同樣的變化模式。Engle和Russell(1998)對交易持續時間(duration)的日內模式進行了研究，也得出了類似的結論，從圖形上來看變化模式類似於倒“U”型。
4．自相關性
高頻數據與低頻數據一個非常大的區別在於高頻時間序列具有非常強的自相關性。高頻數據的離散取值以及買賣價差等因素是導致強自相關性的原因，還有一些因素，如一些大額交易者往往將頭寸分散交易以實現最優的交易價格，這可能導致價格同方向變動從而引起序列的強自相關性。此外，還有許多其他因素導致高頻數據的強自相關性。
金融高頻數據的特征遠不止這些，數據還包含眾多的信息維度，如交易的時間間隔、交易量、買賣價差等。這些不同的信息維度對於理解市場微觀結構具有相當重要的作用，正是由於金融高頻數據的獨特特征，傳統的計量分析模型在實際應用中遇到了許多問題。
高頻數據模型[1]
一類是處理固定時間間隔數據的自回歸條件異方差類(ARCH)模型，它主要用於描述日內的波動率過程，這一類模型的理論與實證研究在國內外已經相當普及。
另一類是Engle和Russell(1998)針對超高頻數據的不等間隔問題所提出的條件自回歸持續期ACD(Autoregressive Conditional Duration)模型。
