基于高频金融数据的杠杆效应研究认识实践

基于高频金融数据的杠杆效应研究认识实践

鞠沈飞

河南大学 ，河南 475001

摘要：随着高频金融数据研究的不断深入，目前在对高频金融数据进行研究时，对不同的变量之间的关系进行研究成为重点内容。其中杠杆效应是高频金融数据不同变量关系研究中的重点。杠杆效应主要描述资产价格收益和波动率变化之间的相关性，对杠杆效应进行深入研究可以更加清晰明确地理解高频金融价格变动机制。在此次研究中对杠杆效应进行量化分析，探讨杠杆效应的实际应用情况。

关键词：高频金融数据；杠杆效应；实践应用

前言

在计算机技术快速发展的背景下，人们获取的高频数据越来越多，并且数据采集难度越来越低。利用采集的数据信息可以对相应的金融数据进行深入挖掘。在此次研究中，主要是通过高频数据在金融方面的研究，了解高频金融数据杠杆效应的不同研究现状，深入挖掘高频金融数据的应用价值。

1高频金融数据的杠杆效应

在上世纪90年代以前，人们对金融市场的各项数据进行研究时，主要是通过日、周、月、季度或者年度等频率数据进行分析，这些金融数据都被称为低频数据。金融市场的运行是连续性的，以低频金融数据为基础对金融市场的具体发展情况进行研究，会导致一些有应用价值的信息缺失。因此，需要利用一种可以对金融市场运行特征进行准确描述的数据进行分析，由此产生了高频金融数据。高频金融数据指的是在金融市场运行过程中按照小时、分钟、秒或者实际交易时间间隔作为采集频率获取的数据。数据采集频率越高，信息丢失的可能性会越低，这是高频金融数据的主要应用特点。如果数据采集频率在不断增高的情况下，数据包含的资产价格信息与资产价格模型会越接近，这是高频金融数据在应用过程中不能忽视的重要优势。除此之外，高频数据包含大量资产价格信息以及其他信息，例如交易量、买卖差价、交易时间间隔等。利用这些信息可以对市场微观结构以及波动变化和风险等政策科学度量。

现阶段，以高频数据为基础开展杠杆效应研究工作时，需要对杠杆效应的具体情况进行掌握。高频金融数据的杠杆效应描述的是股票价格以及波动变化表现的反比关系：股票价格上升时波动下降；股票价格下降时波动上升。波动率对股票价格的不对称性反映了风险溢价。这一现象被称为波动反馈效应。在波动定价后，预期波动性不断增加，会导致股本回报率增加，从而使股票价格下跌。有研究人员利用5分钟股票样本获取了波动率与股票对数价格之间的负相关性。还有一些研究人员对股票价格以及波动率之间的顺序相关性进行研究，这为杠杆效应的确定奠定了基础。在增量有限的条件下，利用瞬时波动率与估计作为中间变量可以深入研究杠杆效应，在杠杆相应探讨过程中，可以将杠杆相应作为瞬时波动率之和的函数、在连续时间条件下对杠杆效应进行定义，完成非参数估计。但是在不同的研究人员研究过程中并没有对非连续时间情况进行研究^[1]。

2认识实践分析

在对高频金融数据进行研究时，对波动率进行估计是杠杆性研究过程中的重点内容。在对波动率估计方法进行分析时，可以推动杠杆效应研究的深入发展。一些研究人员利用波动反馈效应对高频金融数据的杠杆效应进行分析，同时对高频数据中的估计方法进行了合理应用。还有一些研究人员在对高频金融数据的杠杆性进行研究时，提出了更多的问题。并且对大多数金融资产间线性相关性杠杆效应度量为零相关进行了解释。这与在实际研究中大多数解释相关为负相关存在冲突。为了对杠杆效应进行深入理解，需要对高频数据杠杆效应的波动率估计方法进行科学选择。这样才能够解释在杠杆效应过程中存在的冲突性问题。但是在解释过程中波动性估计存在不合理的部分。在对杠杆现象进行深入分析时，需要明确杠杆效应的定义，主要是根据实际研究需求，确定杠杆效应的基本内涵，构造出基于RV新的杠杆效应非参数偏矫正估计，可以对相关大样本性质进行证明。在实际研究中考虑到HHT波动率估计在对杠杆效应与其大样本性质估计时，其挑战性相对较大。利用Copula模型度量收益与波动率之间的相关性也可以对杠杆效应进行研究，主要是因为Copula函数在不良杠杆效应的非线性关系分析中具有较强的灵活性以及有效性。但是在实际应用中需要重视利用该函数对高频金融数据中的杠杆性模型选择问题进行处理，这是利用该函数对高频金融数据杠杆效应进行研究时必须关注的重要内容^[2]。

在此次研究中，需要针对高频金融数据的非平稳性非线性实际特点，利用HHT内的EMD分解方法完成高频金融数据的自适应分解，在每一个分层数据结果下，可以利用Copula函数构建服务收益和波动率相关性模型，从而开展杠杆效应研究工作。

通常情况下，高频金融数据中的股票数据是实时数据，但是高频金融数据具有非线性不平稳性的特点，在实际应用中可以利用股指期货主力合约以及沪深300股5分钟、15分钟以及30分钟的收盘价格作为样本数据进行分析。在研究中可以利用EMD对数据进行分解，每一层分解后的数据应用Copula函数构建负收益率以及波动杠杆效应模型。通过实例研究可以验证EMD-Copula杠杆效应模型的应用价值。该模型比较适合在高频金融数据不同抽样频次的不同尺度下的杠杆效应研究中进行应用。

3相关思考及分析

现阶段，在对股票价格与其波动变化之间的负相关性进行了研究时，引发了对高频经济数据杠杆相应的深入研究。相关研究人员对等杠杆效应的研究也越来越成熟，但是如何对杠杆效应进行量化分析是当前高频金融数据杠杆效应研究过程中的热点话题。在具体的研究过程中，需要根据高频金融数据的主要特点对波动率估计方法进行科学选择，才能够保证杠杆效应分析结果的可靠性。除此之外，需要对连续部分杠杆效应和不连续部分杠杆效应进行量化估计才能够获取良好的有限样本性质。并利用函数模型以及实证分析对相应的估计进行验证，这是未来高频金融数据杠杆效应研究过程中关注的重点内容^[3]。

4小结

总而言之，对高频金融数据的更改性研究范围越来越广泛，在研究过程中除了对资产价格的杠杆效应进行分析时，还可以通过不同的资产价格杠杆效应研究这些数据之间的相关性。除此之外，在现实生活中需要对一些混合频率数据进行分析，这样能够使杠杆效应在实际生活数据研究中发挥更突出的作用。

参考文献：

[1]佟知真. 基于Copula函数的高频数据的时间序列模型及杠杆效应研究[D]. 长春工业大学.

[2]苑慧玲、徐路、周勇. 带有市场交易信息和随机微观噪声下的杠杆效应研究[J]. 中国管理科学， 2020, 28(9):11.

[3]柳向东， 李文健. 金融高频数据跳跃波动研究——基于大数据核函数支持向量机的方法[J]. 2021(2018-9):23-30.