引入聯跳的中國股市協方差預測——基于多元HAR模型

作者：瞿慧,紀萍

摘要：金融資產的時變協方差矩陣是投資組合配置、風險管理等實務活動的關鍵參數。早期的協方差預測模型研究使用日數據或者更低頻數據，但大多存在參數估計困難和維數災難等問題。運用日內高頻數據可以構建協方差矩陣的后驗非參數估計量，使其從隱變量轉變為可以直接建模的可觀測變量，降低協方差模型估計的復雜性并增強模型的高維適用性。進一步的，利用高頻數據還可以識別多個金融資產的價格在日內同一采樣間隔內發生的跳躍，即多資產聯跳。針對聯跳多由宏觀經濟新聞公告和政策制度等的發布引起，這些信息終將被吸收并體現在協方差矩陣中，聯跳可能蘊含著對協方差預測有益的信息，因此識別聯跳并將其引入協方差預測模型。將異質自回歸模型擴展至多元形式，作為協方差非參數估計量的基準模型，并將取值0／1的聯跳指示變量與Hawkes模型估計出的聯跳強度分別及同時引入多元形式模型，構建3種擴展模型。選擇均方誤差和平均絕對誤差這兩種常用統計意義損失函數，采用DieboldMariano檢驗，評價各擴展模型的樣本外預測性能相對于基準模型是否有所改進，并采用模型置信集檢驗并挑選最佳擴展模型。此外，比較各種預測模型用于全局最小方差投資組合策略的效果。基于上證50指數成分股中不同行業5只高流動性個股分鐘高頻價格數據進行實證，研究結果表明，①相對于聯跳指示變量，聯跳強度對協方差矩陣的預測有更顯著的貢獻；②引入聯跳強度可以顯著提升對協方差的擬合優度和樣本外預測精度；③同時引入聯跳強度和聯跳指示變量，且采用矩陣對數變換，確保正定性的擴展多元形式模型在統計和經濟意義上都是最優模型。研究結論肯定了在協方差預測模型中引入聯跳的重要價值，并揭示了宏觀信息對協方差預

發文機構：南京大學工程管理學院

關鍵詞：協方差預測聯跳多元異質自回歸模型Hawkes模型模型置信集檢驗全局最小方差投資組合covariance forecastingcojumpmultivariate heterogeneous autoregressive modelHawkes modelmodel confidence set（MCS） testglobal minimum variance portfolio

分類號： F830.91[經濟管理—金融學]