第第噜卷年甲，四’hvs 他事期。月罩i嗣巳中国管理科学, mzAU的82ommChinese Journal of Management Science Aug., 2008 盟文章编号:1003…207(2008)04…0012…06股市波动长记忆性聚合效应的半参数检验何建敏1，赵巍2(1.东南大学经济管理学院，iT.苏南京210096, 2.淮海工学院商学院，江苏连云港222001) 摘要:本文基于鱼和参数估计方法，从两个方面研究了股市波动长记忆性的聚合问题z…方丽，首先将股指收兹序列转换为波动序列，再考虑波动序列聚合后的妖记忆位;另…方面，首先对股指收益序列进行聚合，再考虑藏合序列波动的妖记忆性.前者考察的是波动序列中伏记忆参数的聚合性，后者考察的是数据频率对波动妖记忆参数的影响.从我国股市实际出发，并综合两个方面考虑，实证了股市波动长记忆性聚合不变效应的存在，同时也说明了半参数方法的良好效果.关键词:波动d是记忆性:聚合z商频E扣留分类哥哥:)'l;献标识码:A型的要求.通常情况下，与数据观测频率有关的时1号l言间序列建模有两种思路:其一，假定给定颇率数据的自从Mandelb rot ( 1971 ) [1]的开创性工作以来，模型结构已知，直接利用观测数据构建模型;其二，人们对金融收益的长记忆性特征进行了大嚣的实证假定模型结构仪对商频数据有效，从陌据此推断低研究.Cheung和Lai(199S)CZ]~ Hiemstra和Jones频数据的模骂自结构.Engle (1982 )[11]. Bollerslev (1997)˙3J ，Jacoben(1996)川等分别对不问金融收益(1986)[川所研究的模型(ARCH类)属于第一类，而进行了检验，均没有发现任记忆行为的存在zDrost和Nijman(l993)[13]、Hansen和ScheinkmanJAndersen和B611erslev(1997a )[5 Dacorogna (l99S)[U]所研究的模型j离子第二类.Hansen和( 1993 )[6J. Granger ( 1997 )[7]、Lobato和SavinScheinkman (1995) [u]考虑连续时间随机兼分方程(1998)[町等在平方收益、绝对收益和对数3fZ-方收益情形，得到了不问数据频率的矩约束条件.Drost 等披动瞥代量中检验到了显著的长记忆特征.在国和Nijman(1993)[叫考虑了波动模型的时间聚合问内方面，已有学者证实了我国股市波动具有长记忆题，发现GARCH模型在时间聚合下模型结构发生性.李亚静等(2000)[9J通过对绝对收益和平方收益了变化.这是因为GARCH模型等价于半强AR自相关国数的显著性检验，验证了我国股市搅动的MA模型〈新息为棋兼分的ARMA模型)，而这提长记忆效应13:.春峰和张庆翠(2004)[10]从披动快记ARMA模型在时间聚合下不蚓闭.这里聚合封闭忆建模的角度，利用FIGARCH模型实证了找国股指模型在时间聚合下结构保持不变.因此，Drost 市波动的记忆性特征.和Nijman(1993)[I3J引人一类躏GARCH模型来就随着高频数据越来越容易获得，时间聚合效应得聚合封闭的波动模型。￠是波动长记忆性建模中值得考虑的问题.聚合问题然而，弱式GARCH模型存在…些不足之处z对随时间变化的波动率建模(尤其是在选择应用较(1)弱式GARCH模那是由平方新息的瑞ARMA高频的观测值还是较低频的观测值时)具有重要作模搬来表浓的，因而要求新息的四阶矩有限，这违背用.此时，选择高频数据回然能够得到更有效的参了金融时间序列的实陈〈特别是高频数据);(2)崩式数估计，但低频数据也能够满足研究者估计高频模GARCH模础考虑的只是钱性投影而不是条件期收稿日期:2007-12…28;修订臼朔:2008-07-29望，在用条件方差度最风险时具有局限性;(3)剧式.金项目:国家自然科学基金资助项目(70671025)GARCH模型导致了蕃于条件矩的推断方法效力的作者简介:何建敏(1956-).男(议族).江苏无锡人，东南大学经降低，如QMLE方法川的朋式GARCH模型不存ttf管理学院副院t虫，教授，博导，研究方向z金融工程.在带有"均值"的情况，无法描述杠杆效应.为此，一?췲랽쫽뻝뗚훐嘰㈰㣔䍨䩯卣컄막뫎⠱㈱㈲쇐펰냫맘?틽ퟔ죋퇐뷸䅮뫍䈶㝡䑡卡뗈쓚탔뎤틤쫐쯦쫇뛔룟폃쫽쫕믹ퟷ볃탍볤쒣볙욵䑲쟩쳢쇋䵁䅒횸뗃좻䝁췻붵퓚䅵潦䵡?햪ㆣ楮楥㈰〸?畲헂춼쿗摥捯癩룥뷰헟맜ㄶ맺늨쿬닎볼啥⦡潳枣ꎮ〰듓쏇뺿㤹탐랽ꆣ쿠볇붨ퟅ쯦욵맀뗄탲탍뚨쫽㤸桥탎乩ꎬ뇤쒣䵁뻛뛸⧈剃뗍듸湡퇔긱敳湣〸튪붨쓪湡뇠럖뇪牳牯?죕쿮볲샭꺣뻭맜〱뮻뚯ꎮ쫽듊븵㌩璺㚣?来뚫㤶䵡뛔ꆣ㜩쇋㠩쏦샮맘틤쒣룟쪱뗄듋볆튪쇐뷡뻝㘩㔩楮ꎬ橭랢뮯탍뫏살죚䣄퓚폐쫐ꎺ?뫅샠쪶敮杮웚쒿뷩톧걎뗚샭浥?캪뗄듓랽ꎺ汥嶡审쵎쏴ꎺ쓏ꎻ뫅싫湤뷰䍨⢸볬?嬸쳦ꎬ퇇몯킧뗄욵뎤볤맛쪱풺쟳붨릹탍嬱⡉歭뗃慮쿖ꆣ⣐퓚럢죵뵇뇭ꏐ폃죧ꆰ놾澣湴㓆뿆늨뎤컒램瘨?ꞡ楪긴ꎺ㈰맺뫎뢱컄듳㊣敬죚敵놡퇩嶵듺틑뺲쫽펦뷇볇뇤닢ꎬ떫ꆣ쒣뷡㉝뢾慮떽⠱䝁헢싏퓚쪱뇕쪽䅒쪾볤춿쳵춵免뻹ㆣ늨?톧뚯볇맺뗄ꉇ浡〳䘸〷볒붨풺믹톧꺻扲쫕湧ꉊꎬ죔솿폐뗈뗄뛈뻝뮯횵톡뗍춨횪릹탍쯹⠱쇋㤹剃쫇ꋎ쪱볤䝁䍈볂볾볖䱅ꆪ탲틤막솼ꎻ㌰牡ퟔ쏴뎤渨곕폚㈰뺭뒺ꎮ潴틦뫍慣뻹?훐톧⠲쿔췵ꎬ풽뗄뮹퓱욵ㄲ좻⠱뎣솽뷶뷡퇐㤹늻㌩䣄틲볤뻛늨剃쒣잵랽싁ꆱ쇐탔쫐뫃뎤湧ㄹ뚯냫㜨?ꆪ뿆㤵뷌퓎볃ꎹꎬꎮ쪵킧볇⠱뗄䱡潢쎻敲붷볬헟〰훸뒺샻쳘살붨늨쫇룟쫽쟩훖횱뛔릹뺿㤳㔩춬嬱ꏐ캪놲뻛뫏审뚯䣄탍틲쓖닮쮻램닎㈰㈸톧㛒쫚퓙잰볊맻틤⠱⥛맜ꓑ㤷뎤椨敮폐뷊퇩횤〩탔럥폃헷풽쒣뚯뷏욵뻝뿶쮼뷓룟뗄嬱㍝췔䝁뫏쿂녝ꏐ쫇뛸쪵믊뛈陸ꎻ쟩〸ꄲꎺ믹묩ꆣ쫽뎤뾼헟돶ꎮ탔㤹㇒⤰샭ㄩ볇ㄹ⠱랢헒떽쪵嬹볬뫍䙉ꆣ죝훐싊뗍쫽튲탞뷰ꎬ늩쿂슷샻욵䕮쒣쏇뻝?剃횵뷡틽탍춴평튪볊쟏솿?⠴뿶맀ꆣ싇뾼랢ꎻ㜩ﶡ㓒뚩쓐떼톧뫉嬱틤㤵㤹쿖쇋巍퇩헅䝁틗횵붨욵뻝쓜ꎬꎺ폃쫽杬탍뾼싇놼䣄쑁늻릹죫ꆣ욽쟳⣌?럧⧈볆묰늨달ꎬ뻛寒죕훺⢺ꉈ볇랽풺쳑嶵탔⥛㘩뎤ꊾ쿔컒ꢹꎬ쟬剃믱뗃쒣뗄만릻폫웤맛뻝攨⡁쫴싇싊쇋ꏐ前럢놣튻?탂?퓍쿕ﺾ컞〱웚쿮뫗퇐뚯뗄늢뫏ﶡ慮램㋒ꎬ쒿쳘㈱审볇훸맺ﶶ퇩들䣄뗃뾼⣓맛좻싺ꎺ뺿쫽튻닢폐ㄹ剃폚솬뗄늨?춵䇄뇕돖샠믐탂쾢뛓쪱?뵇탲쫇ퟛꎻꉌ獥ꎬ묰틤㈰⠷ꎮ랽붭몣ꪴ헷ꆢ깝퓊뗄막풾횤⠲ꏐ싇죆닢쓜ퟣ뻝쫽킧㠲䣀뗚탸뻘뚯쿏좼ꆣ늻죵ꦲ쾢잸낶뻟쓍䅒쏨쇐늨뫏룟潢溺?〸〶붭쿲듓쯕경뻛뚯솽욵듐뷸䡩뗈탐慴헒뎤쫐쇋〰췊쪱뗄횵릻퇐맛볙뻝ꎬ⥛쵓뛾풼쒣싄?촩헢뇤䝁믗쯄?폐욶䍈쫶ꆪ㜱쯕ꎻ솽탔뫏탲룶澺捨쓏귋풹탐敭럖캪볇늨퓊컒㐩뗖볤컊쟔쪱뗃뺿〷〲컞뷰닢뚨릹듓ㆡ쫴샠쫸탍ꏐ?ꎬ샯ꆣ剃죵뷗뗊믊뻖쾷쒣룜룶뫳쇐랽?ꆪ㔩컽죚敩뺩헁ꓗ쇋獴뇰뗄춶틤뚯헒맺嬱꓁뻛쳢?⦾떽헟욵룸붨뛸ꞡ폚ꆣ쯦쳵춽틲䣄꺴䅒뻘ﶾ쟌쿞붷탍룋랽㈹죋咳뗄훐쏦湫뻛곔듳牡뛔듦퓊쳘뻟막そ쯎뫏ꆣꇔ?룼맀싊뚨쒣뻝ꉂ뗚䡡믺볾쪱뽁헢듋ꏐꚣ䵁폐?탔꣐늻킧쏦ꎮ첣뎤뾼浡퇐울퓀솿뫍늻퓚ﷆ헷폐췆쫐듓특킧뻛탖볆뚫?욵탍듋潬튻湳닮ꆣ볤릷务샠럢ꎬ췀쿞ꎻﻆꟁ듦펦볇싇?쓏뺿?뒣뗄䩯춬ꎻ붷ꎮ뎤늨調펦ꛓ?킧룟맘싊췆汥샠敮럖䑲뻛ꋉ뇕뒻⠲⠳ꚵꆣ뫏틤ꎬ듳쇋?湥뷰뷊퓚볇뚯컊쎽뗄욵쫽웤뛏牳ꎬ뫍랽潳뫏헢⧈캪탔닎쪵톧막ꎻ쫽횤?죚헒맺틤뗄뎤쳢닎쒣뺭쪱뻝뛾뗍汥뛸돌컊캥듋킧쫐쇭뗄쇋쫕?볇ꎬ놳ꆣ늨튻뻛막틦뚯펦랽뫏쫐뎤쏦탔늨볇ꎬ뚯뗄틤쫗뫳뎤탔쿈헟볇뗄냫뛔뾼틤뻛막달탔뫏닎횸뗄뻛컊쫕쫇뫏쳢틦쫽늻쫽ꎺ탲뻝뇤튻쇐욵킧랽볬뷸싊펦쏦탐뛔뗄ꎬ뻛늨듦퇩쫗뫏뚯퓚쿈ꎬ뎤붫퓙볇춬막뾼틤쪱횸싇닎튲쫕뻛쫽쮵틦뫏뗄쏷탲탲쇋
第4期何建敏等z股市波动t史记忆性聚合效应的半参数检验 13 些学者转向研究另一类波动模型即SV模型的聚合E(巳)(5) = 0 问题.杜于事和张世英(2002)[15J研究了SV模型Var(~，)皿'1IN2(6) 与ARMA棋蜒的关系，并证明了SV模型是聚合封故有闭的.Meddahi和Renault(2004 )[16)、许启发和张tpCL)(lnr.一μ)= u，十趴L)已(7) 世英[l7J研究了早方根随机自回归政动模型的聚合.由u，和%，独立，可知U，和~，独立.根据Ans伽上述研究生要基于辑记忆的SV模攘，考虑了搅动ley结论[181，两不相关MA过程只和仍为MA过程，时变性的聚合特征.且阶数为两者中的最高阶，式(7)右边为MA(p)过本文在现有研究的基础上，进一步研究了波动程，因此{lnr.}为ARMA忡，p)过程.另外，杜子平等(2002)[叫证明，<lnr.)<的也为ARMA句，p)过长记忆性的聚合问题.以股市高频数据为研究对象，借助半参数估计方法，从两个方面对此进行了研程.因此，SV模型经聚合作用后，模型参数不变.究:(1)收益波动的聚合，即先对高频收插进行变换下丽本文将着蓝讨论LMSV模型中长记忆性丢在娥得到高频收益的波动序列，利用半参数方法估计此的聚合问题. LMSV模型的黯合时的参数值;接着，对高频收益被动进行聚合，再次若收益η满足LMSV模型，即利用半参数方法估计被动聚合序列的参数值.若参r, =σexp(h.!2) %, (8) 数值保持不变，表明波动的长记忆参数是聚合不变其中，马为独立间分布的白噪声•h，为ARFI-的.(2)收益聚合的搅动，即先对高频收益进行聚合得到低频收益，对低频收益进行变换求波动，利用半MA过程.对收益过程进行对数平方线性变换，有X, = ln(,.;) =μ+h，+在(9)参数方法估计聚合收益波动的参数值.若参数值保其中，μ=lnC;)十Eln(~)，ι皿ln(~)…持不变，表明波动长记忆性的计算与数据频率先关.Eln(~) •的此.X，与h，具有相间的记忆性参数.综合这两个方面，可以检验波动位记忆性的聚合效对式(9)两边作k阶时间聚合，有应.川勺勾川'自十十’"H '"、z -μ hr (10) 2 波动模型的聚合其中，xjk〉m2::〉ZH'(hr)ωm22hH· SV模型的黯舍时间序列模型的聚合效应研究最初是针对根据h，为ARFIMA过程，有ARMA模型租ARCH模型的.根据文献[-i = (1一Lγ恰-1(L)(J(L)ut-1 (11) 的结论，我们首先简要讨论SV模型和ARMA棋剧可得是-1的关系.M’) = (1一L)-节1(L)(J(L) ~ ut-i (12) 设金融收益r，满足一维随机波动过程，即代人式(10).有r，百σexp(h.!2)z，(1) A-l 其中.%，为独立同分布的单位自噪声，波动h，为事X~ωkμ+ (1 -L)-节1(L)8(L)艺Ut-I.+ a幽。稳AR(p)过程，满足以L)h，= u, (2) (13) bιd 式中，tp(L)为ρ阶多项式.U，为与%，独立的正态白tt!.即噪声序列，即U，--N(O,cI.) •对式(1)两边进行对A-l tp(L)(1 -L)d(X~')一制=O(L)艺Ut-i十数平方变换，有A-I lnr. = lnif + h，十lnu~(3) tpCL)(l…L)d艺~~i(14) 记μ=1~ +Elnu~.ι== lnu~ -Elnu; ，则式(3)变为显然，式(14)右边第…项为MA(k十ρ一1)过程，第工项为MA(∞)过程.由矶，~，独立，利用lnr. ==μ+h，+品(4)Ansley结论(18).X~l) ,...., ARFIMA (ρ.d，∞〉过程.由于%，为独立正在分布的白噪声，所以ι为由，对数卡方分布构成的非正态白嘿声，且考察另外两种波动替代测度:平方收益r.和绝?췲랽쫽뻝뗚킩컊폫뇕쫀짏쪱놾뎤쿳뺿뗃샻쫽뗄닎돖ퟛ펦ꆮ㊲㊣卖䅒짨牉⠱웤컈ꎬ⠲쪽퓫汮⠳볇캪ㅮ⠴평뛔䔨⠵웽⠶맊좭⠷汥쟒돌욽쿂䱍죴ꎮ⠸䵁컥⠹䕬䥟窡⢡昭룹庣뿉䧒뗱椭듺늷ꇆ曊튲晬汬晟쿔䅮뾼緒튻묱??뫎?뭬긱긲?㓆?㔨틘⡌㴽걪ㄩ㈩㌩㐩톧쳢䅒뗄펢쫶뇤컄볇ꆣꎺ떽폃횵쫽늻뫏쒣볤뷡맘뷰㷂훐짹욽튻슬엩폚폐쮺禽뷗쏦뻛卖쫕맽㵬渨쪽뻝뗃죫벴좻달ꢶ䵁뗈獬ꎬ붨?䓒컒⡌ꇫ훐?䰩⧒⤨뚢〩튻헟ꆣ䵁嬱퇐탔퓚틤뷨⠱룟닎냫놣⠲뗍랽뇤헢탍탲싛쾵죚텸ꎬ⡰㵬㵼쎫뾨뫍쫽틲놾뫏틦돌渨娩⠹뻅쪽뗚쇭쏴꿄쒣敹ꎮ취뭏ㅮ數⠱뮸묨믴⤨뛅쒣䵥㜳뺿뗄쿖탔훺⧊욵쫽닎돖램ꎬ솽쇐ꆣ쫕瀨쎫⦹ꇛ뇤湣溣ꇪ캪랽窣?듋컄컊탍牬ꇖ뫫⧁⠱쪽뛾췢뗈ꏐ탍〰뷡튻瀨⣒ꎺ쿲ퟓ탍摤퇐훷뻛폐뗄냫헒쫕횵쫽늻맀뇭룶쒣컒틦幬캪ﶳ⡌ꎬ뮻爲갫ꆮ뛀럖겶긱솽⠱붫쳢싺뛔⤽㵬틲붱䅒〩쿮휫㇒괫삲튻庡䰩춵뫍㈩싛막窡퇐욽뗄慨뺿튪뫏뻛닎틦ꎻ랽뇤볆쏷탍쏇滂ꎯ뛀첡⧎벴ꎬ⭞䕬솢늼?상뚢헟滗卖ퟅꆣퟣ쫕닺渨듋?䙉㐩캪훖ꎮꎣ튻뛊뭌⠱쒾䅒ꋭꆮ쫐뺿뫍맘榺쇋믹쳘뫏쫽ꢶ뗄뷓램ꎬ?뻛늨쏦쫗𧻓㈩솢ꏂ삲폐氫溿昫헽릹ꊣ훐ꤩ쒣훘䱍틦⭫䵁폒ꇪ꼲ꆮ㶣?늨?捈횤㇒⮡⦽튻⦡쇭헅쾵쵒욽폚헷뗄컊맀꾵늨ퟅ뇭뛔뫏뚯ꎬ뻛쿈窣춬𧻓ꚽꆫㅮ??첬돉ㄩ겿솽캪탍쳖卖⥺맽⬶⤫쎫뷗욹뇟⢡뚯걲?쒣㷕弨ﶣ튻쫀ꎬ敮랽뛌ꆣ믹쳢볆쒾뚯쏷쒲뗍쫕뿉뫏볲믎럖ힶ丨ꆰ뮣뗄짖늻ퟮ䅒뺭싛돌䕬폫쪱뗚쳦뮡울킣䰩ꌨꎡ뎤㊣䰩샠펢늢慵룹뒡ꆣ랽?탲뛔늨ꢶ욵틦틔킧탍튪곋늼侣ꎻ갸럇ꪵ쿠룟䵁ꎬ뻛䱍뷸渨庣볤튻ꌩ걺듺볇ꌫ힣뿚걉뷐窡웈옽늨⠲횤汴쯦짏틔램쾣쇐룟뚯꾣쫕볬펦쳖걚㵬헽꼲?맘뷗⡰뫏卖ꎬ탐娩겾뻛폐쿮맽닢틤뗄⠱ꇎ좭⡌탔뚯〰쏷⠲믺뗄ꎬ막겼욵뻛틦퇩퇐싛者떥붣⦡溡냗첬촦䵁ퟷ쒣벴뛔?뫏?튻樵컒캪돌뛈ꆣ湲ꆫ⡌ꆯ⧈뻛쒣㈩쇋〰ퟔ卖뷸쫐듓듏샻쫕뫏뎤뗄늨뺿ꢶ캻겵ꎶ낣퓫냗뛀맽쪽瀩폃탍쫽ꇪ탏ꎬ䵁ꆣꎺ⤸쎣룹ㄨꆪ믴?䅒뫏탍嬱卖㐾믘쒣튻룟솽좶폃틦탲볇탐닎볆뚯ퟮ꾹냗?퓊믒짹퓫솢돌⠷맽뫳훐욽㴱폐窣⢼평걪뻝⦡䙮킧䰩ㄨ괩벴㔳쒣嬱맩탍늽욵룶풸냫늨쇐틤뇤쫽쯣뎤돵ﶳ퓫봨뭅ꎬ짹ꆣ횻⧓돌랽渨겵줫뗘펦컄껱겣쯆卖퇐탍틽늨ꎬ쫽랽?닎뚯뮻횵폫볇쫇뫍첣짹ㄩ汮쯹룹튱ꆣ쒣틔쿟娩쒼烒쫕뿚䰩㴸뗄쿗⡰쒣뺿쫇ꆢ뚯뾼뻝쏦뗊쫽뷸닎쟳ꆣ틤헫䅒겼ꎬ솽ꆰ틔쟒죔?쇭탍캪탔튻묱㢶틦냫뮡⡌뿚嬱ꎬ탍쇋뻛탭쒣싇캪뛔헒랽탐쫽쫇늨죴뻝탔䵁?뛀뇟ꎻ㣎䅮ꩍ췢䅒뇤⦹상닎ꌨ⦡⡌쫽뗄卖뫏웴탍쇋늨퇐듋램뻛횵뚯닎욵㎣쒣솢뷸ꎬ玡䵁䄨ꩁ䙉뮻풲?ꊣ撣뫍볬뻛쒣럢랢뗄늨뚯뺿뷸맀뫏ꆣꎬ쫽싊탍ꎮ탐퓲?맽瀩뛅늻ꆪ컊곀뻸갱前겡욡⦡웫췍퇩뫏탍뫍뻛뚯뛔탐킱볆ꎬ죴늻킾샻횵컞䥬헽쪽돌맽ퟓ뇤폐ﶡﯓ㑝䄨?낣욡겣헅뫏쇋듋퓙닎뇤?폃놣맘킧ꆣ첬⠳ꎬ?⦢炣맽ꎮ퇐?듎냫ꆣ캪냗⦱겣낣거돌욽?겡믊⦹ꆣ뮡?ꌫ옽ꆯ庡?
对收益1r, 1 .对式0)两边进行平方，可得汇高频数据的结果表明，这一结论克法成立，并推断r, = tiexp(h,)u; (5) 高频收益包含了比低频收益更多的关于波动记忆性因U，独立同分布，且句r，独立，则的信息.但LP方法本身对参数选择十分敏感，可OJv(斤，，-2t-i)盟σ'OJv(exp(h，)，exp(ι)) 能对最终的结论产生一定的影响.本文以股市的高频数据为研究对象，采用另一种更为稳健的半参数(16) 方法即LW估计研究波动长记忆性的聚合问题.根据Andersen(1994)结果川，当j→∞时，。v(斤，ιj)--j恰4 半参数LW估计另外，考虑聚合序列为时)仰皿2:二1),-2r-1 , I Robinson0995b)【川提出半参数局部Whitt1eη|ωz 2:;二，1)I rt-I I ，有(LW)方法来估计长记也参数ι设时间序列{x，}的j-l 谱密度f().)，当A叶O时，有0时时)ω，(ιj)ω)棋艺(k一Ih 1) ~--H-l f().) --G(d) 1). (18) Q以斤，，-2t-j)-(jk )2J--l __ jZd-l 这里G(d)为常数.此时，高斯Whittle{pJ.然揭同理可得•OJv( 1η|ω川凡i1’ i>)__ jU-l •因数为此，战功的长记忆参数经聚合后保持不变.1♂飞II(}"、M、Q(G,d) =一2~(~汁iJ+ 10g(臼j-Zd)) m-:\t矶j……lj1 3 聚合收益的波动(9) 在实证研究中，上述过程本质上是先对收益过皿其中，À2'1rj1N箩10..)为周期圈.m为带宽j程进行变换得到榄动替代盘，再进行聚合，此时长记参数，1MN较大时，满足11m十mlN巾O.忆参数不变.我们当然也可以先对收益进行聚合，首先，由Q(G，的对G求偏导.得到再进行变换，观察位记忆参数的变化.这从数据频。皿土安l(λ〉(20) mí~l ).j-2d 率的角度而言，海攘的是数据频率对波动任记忆参将式(20)代人口的，有数估计值的影响.随着高频收益越来越容易获得，这具有最薯的意义.(g3).严佯纠ηl问O吨R(d) = 问1o吨0g判叫(士培兰i严f当i剁刽4均句;打)…定义俨需2:;tra伽1，则(21) [r~i)J2 = ,.;. + ，亿1十r轧1+…十rι肿1+ . 姐过对R阳(ωd)求极值，得到LW方怯的估计值(7) 22:1向阳明jrtlt-..dL’VI 由于马独立同分布，式(17)中交叉项的期盟为半参数LW估计的关键在于参数m的选择.…零.因此，时间聚合收摄的平方值协方菇方陋，大的m债能使àLW较快收触到真实的d值;另il。叫[dJ2, [r~~ J勺可简单地表示为[r;叮2和一方面，如果序列坯包含短期记忆，m还应该适当[r;严;了中所有平万项的协方室主之和.也就是说，的小.本文为了确保àLW较快收敛到d.在实证研O•50OJv([r~')了，[r~D2)可表示为斤和r~fo-A( h皿…h究中采用文献[22J的方法，取m为N附近的值-十1，…k+ 2, A 1 )的协方差之和，即5 实证研究k啕1OJv([r;叮%，[r~n2) =艺(k一1h I )Cov(斤， 数据描述h--H-l ，-2，...必_.)-(jk泸州_j2J-如因此，时间聚合收益平方为了范行聚合研究，本文选取了深圳成份指数值的长记忆参数为ι的15分钟高频数据样本，也即每个交易日采集16对于另外两种波动测度:时间聚合收益的绝对次数据，数据取自分析家软件.从数据来集的效果值和时间聚合收益的对数平方值，理论上无法进行来看，这一频率的数据时间跨度较挺，从2000年2严格的推导.Bollerslev和Wright(2000)猜想[ZOU月24日到2005年5月11日，为后结分析奠定了慕Cov[1n(y;ω)2 ，ln(y~j )2J __ j2d-l , CoV[ I r;的I,1n 1 础.剔除数据不究整的交易日，共得到19534个交r~~ I ] __ j2d-l .但他们利用LP半参数估计分析外易数据.记收盘价时间序列为{Pl}.则收益率{r} ，?췲랽쫽뻝ꆤ훐㈰뛔⠱틲䍢ꎮ룹㤱틑쇭牉倽䦣ꇱ䍄䥉䤩庡춬牦没犲泍듋㎾퓚돌틤퓙싊쫽헢뚨寒㊡평쇣家冿⬱쯈뛑횵퇏沣믣룟뗄쓜욵랽㒰副⡌웗ꎬ?䤭ꇞ웤닎쫗攽ꋨ붫즾⠲춨慌냫튻뺿쪵㖣캪듎살퓂뒡틗튻껒ㄴ띪?ꏒ㜩묱ㄩ긱맺〸㔩㘩㠩㤩垣쫕㵤뻝ꎬ샭낡瑱쪵뷸닎뗄맀뻟묢폚ꆣ뫍룱룟욵탅뛔쫽램扩圩쏜⡁㊡샯캪훐쿈쪽맽쏦랽킡쇋ㄵ뾴㈴뿚걬?톣橉횤ꆤ뎸?䥝췢뮼원ꎬꇆ틥맜쓪쏨틦㉥뛀䅮떱뿉꾣꼩늨횤탐쫽뷇볆폐崲ꇖ틲튻뎤쇭쪱뗄?욵쫕쾢ퟮ뻝벴湳랽뛈⦡䜨⠲뛔쏦ꆣ뷸럖죕쳞⣅ꎬ﹉쿊⡛멝ꆰ嬱컊닉퇐좥샭쫶⣅⠨⣗寒⡛ꇗ䥞硰솢摥ꎮꎬ뗃걉ꆫ뚯퇐뇤늻뛈횵훘㷎?뛀듋컥볇췢볤췆쫽틦훕캪䱗潮램ꭇꆮ䅪떱평〩刨䱷듳놾탐훓헢떽돽ꆣ㶡튻폐헒犡㋖⦡渨﵌폃뺿뿆没⡼춬牳ꆺꎬ듵뗄뺿뮻뇤뛸튪솢⬲틤솽뻛떼뻝냼떫퇐맀⠱살⡁⡤昩튻亽儨듺搩죧컄룟쫽㈰볇ꦣ뭄ꇎ䪱톧겣뾼?탋ꬨ쇋垹컄꽉ꎶ橬럖敮튻틑㊿뎤훐뗃ꆣꎬ퇔펰뗄컥춬쪱닎훖뫏몬䱐뷡뺿볆㤹맀⦣⥉캪㋉쾴䞣튼죫쟳淖맻욵뻝〵쫕곍⦡곃崲櫓갭쒲㊣陸뇘ꎺ삼쿗㷈?퓊ꎬ늼⠱ꇞ싇뿚?볇떽컒맛쿬틢튻ꕬ럖볤ꆭ쫽늨쫕䈰뷡쇋랽싛뛔퇐㕢볆겵뎣삣걤벫뗄탲좡싊쓪늻엌㶡〩ꢶ걛탆⤲ꇞ?嬲촩힣ꬾꎮ봨⥺ꎬ㤹쪱⡉ꆣ틤짏늨쏇달뾼틥늼뻛캪뚯틦ㅬ맻뇈램닺쿳뺿⥛뎤녁쫽꽎놣⦶㤩횵맘?쇐좷뻝ퟔ뗄㗔췪볛뻛ꆰ튻犳붷뻀⤲㉝ㄩ?쟒㐩ꎬ틲닎쫶뚯떱뎤달쯦ꆣ⯗뫏뗣撡닢뗄敲뇭뗍놾짺늨㈱볇곂푇볼륡뮹놣퇹럖쫽숱헻쪱욣ꆫ갨寁家떫ꗒ木솽폫捲뷡뫏쫽맽쳦좻볇뗄ퟅ튻쪽쫕뷏ꆫ?뛈뛔獬ꎬ쏷욵짭닉뚯㏌틤ナ듋䨨𧻓쟳폐뗃퓚䱗냼慣놾컶뻝㇈볤䪺쓏⣗쭝쯻먽뇟溶맻뺭돌듺튲틤쫇룟뮣⠱틦ㄩꎺ쫽敶ꎬ쫕뛔뚨폃뎤닎놣쪱욫떽폚뷏몬ꋴ컄볒햣붻탲㑣㈩듵汮랽탲뷸상ꆮ⦢ꤩ뻛놾솿뿉닎쫽욵갫㜩뗄㈩쪱욽뫍쏇헢틦쇭볇곓ꎬ⧎ꎯ떼䱷뿬뛌뷏톡튲죭볤곎틗쇐ꎮ쓐㊡⢸램ꆯ밨듕탐ꊣ?쇐뫏훊ꎬ틔쫽뻝쫕ꆭ훐욽킭볤랽坲튻룼펰틤撡룟洫ꆣ웚뿬좡벴볾뿧ꪺ죕캪ꆣ㊿볲궷뿉㶡ꞡ︲샻ꎬ욽곔뫳짏퓙쿈뗄욵틦ꆰ⮴붻랽뻛횵楧뷡뛠톡쿬훖탔컊ꏉ쮹?涣뗃램폅솲볇쫕쇋쎿ꎮ뛈ꎬ筰뿚캪떥붲ꏒ⤲좡㶡?뇭온폃랽?놣쫇뷸뛔뇤싊풽ꏒ닦횵닮뫏ꎬ桴싛뗄퓱ꆣ룼ﶾ坨?꽎떽틤솲짮룶듓뷏릲뺯⡥튻뗘嶡淎ꎬ⣅돖쿈탐쫕뮯뛔살믲쿮킭횮샭⠲컞맘쪮놾캪뻛횲놼楴벡ꆪ맀톡헦떽?붻쫽뎤훎뗃綣온ꆫ쪾횾䱐硰뇭꺺쮣ꭊ뿉늻뛔뻛틦ꆣ늨풽뵴뗄랽뫍싛〰램폚럖컄컈뫏뽗瑬ꍭ価볆퓱쪵涻撣돉틗뻝ꎬ떽껔폞듵캪튻냫⡞쪾춡곊㊲?뗃뇤쫕뫏뷸헢뚯죝⮡웚닮ꎬ뗄짏〩돉늨쏴틔붡컊桩旋캪?횵ꆣ맓곔럝죕닉듓ㄹ쿉⧒튻䥞닎ꎬ璡ꆣ틦탐듓뎤틗?췻캪ꏒ벴놼뻸컞닂뜱솢뚯룐막뗄쳢瑴큻웈듸擖ꚸ?ꇞ횸닉벯㈰ꣁ㔳헒맽듋뻛쫽볇믱캪뛔램쿫쫐냫ꆣ汥컥뮺뿭떣쏊뗖벯뗄〰쮻㒸⦣孲늾ꎬ뢽?뫍ㄩꌽ퓲쪱뫏뻝틤뗃뷸ꆾ늢뿉뗄닎綵?믁쪵ꓑㄶ킧쓪쩻믅걥ꆮ췊?澿뷼牢䞿맀ꇆ뎤ꎬ욵닎탐뎰췆탔룟쫽?맻犣硰䤩쟋쿊?뗄볇焨?ꎬ볆뛏멽⡞㶡崲떣헒䪡횵ꎬ몡ꎮ?럖뷐뫍?ꩄꆣꟐ⤩䥬ꎬ붷컶튣?삮ꓟ튻箣췢뮣튻?걬ꎬ쥵횾?
为{Pt}的一阶对数是分.对波动的度最仍然选取对被动测度(平方收播和绝对收益)的记忆性参数在聚数平方收益、平方收益和绝对收益三种波动替代最.合后也基本保持不变，这与本文在理论上的结论一致，也与文献【20J的研究结论相同.对高频数据而深市15分钟高颇收益及其波动序列的自相关函数，也表现出了与低颇数据类似的特征e对不同的阁，如罔1所示.参数倪m，长记忆参数估计值变化不大，说明LW15-mìn对数平方收益自相关。I1l弘mìn收tj肉相关估计更加适合分析金融高频数据，→定程度上弥补t} { } ’3 了LW估计对带宽参数m敏感的缺陷.o~阳仲酬归川阳~jijillJVillii|国随着高频数据越来越容易获得，许多实证研究仍川5川'~I"'比L川lh川川h叫叫"F川4咐'川呐者致力于该领域的研究.从金融收益角度来讲，收刻的铜川2(灿400益序列本身的聚合得到的是低频数据，这是因为我15-削nlJl方收益自相关15幽mìn绝对收益肉相关们在对数计算时，采用的是股票价格的对数…阶盏 分形式.下面将分析数据频率的不同对LW半参 数分析结果的影响.O.<~~ 黯合收益的波动o 对深成指15分钟商频样本，同样按k=1，2，4，2(防御则以则16进行聚合.半参数估计方法仍然选取LW估计，阁1深市15分钟高频收益及其波动序列的自相关鼠数阁带宽参数取m= N’, N'l's口，NMSa先对南频数据样本进行聚合，再考寐柬合收益披动的长记忆性，结从阁1可以者出，15min收益的自相关函数几果见表2.乎为白噪声序列，而三种波动测皮的自相关崩数最现为一种不十分规则的"U"型曲线，波动序列的自表2到自食收直在波动的长记忆性相关表现出强烈的周期性特征.相比之下，平方收藏会阶k先聚合后交换m 益的周期性程度要弱于绝对收益和对数平方收益-2 16 收虫在波助的时间黯合log(y)m) NO.阳 对深成指15分钟南频样本，按k=1，2，4，16进 行聚合降噪.旦和参数估计方法选取了LW估计，带NO’!S 4Syí的 O. 2436 O. 2597 O. 3389 O. 2436 宽参数取m= Jfl., N’l’ SO, N’l’ 5S .先对高频数据1\11).归。.2028 O. 2375 O. 2819 O. 2028 样本进行变换得到波动，再考癖搅动*记忆性的聚 O. 4487 O. 4790 O. 4177 O. 3035 A1 合效应，结果见表 O. 3112 I y 1 NO’ss 表1激动妖记忆性的聚合效应从表2中结果可以看出，当k=l时，先聚合后先变换后.合"嘈变换租先变换后聚合的结果是相同的;而对于其他2 4 16 的聚合阶，长记忆参数的估计值变换不大，这表明 [log(yF) ]Ckl 对我回股市而言，用于计算波动长记忆性的数据频率并不是重要的因素.另外，从图1可以看出，高频数据具有日内周期性，而半参数LW估计能够忽略['Y1]<的NO'凶这种日内周期性的影响，得到一致的估计结果.因此，数据频率对波动长记优性的估计影响不1 y, ,m O. 4405 O. 4325 O. 3920 O. 3445 大，这句文献[23J的研究结论…致，而与文献[20J研 究结论不同，这可能是由于他们所采用的LP半参从表1中结果不难看出，波动测度对数平方收数方法对日内周期性过于把敏感造成的.另外.LP益的聚合半参数估计值慕本相间，这表明LMSV模@]!13奠基于正~性假定，附波动替代序列显然无法型的长记忆参数也是聚合不变的，结合杜子平等的满足这一假定.但从半参数方法本身而言，对带宽结果，表明LMSV模型具有聚合不变性.另外两种参数m的敏感性是其不足之处.LW在分析高频?췲랽쫽뻝뗚ꆤ캪쫽짮춼ィ汽?ㄵꇱ듓뫵쿖쿠틦㖣뛔탐뿭퇹뫏뇭뫫乯侣탍뷡늨훂퇔닎맀쇋쯦헟쏇럖ㄶ듸맻뇤뗄싊헢틲듳뺿믘싺튻㈨㒡侣ィ뫎긱ꎮꆰꆤ긴侣ィㄵㆣ튻堩깊ⶣⶶ没긴侣ィ㓆㇉沲㊾筰욽쫐ꎬꆮ䱬⦡춼캪맘뗄긲짮뻛놾킧ꆧ㐸긴㐰긳뇭맻뚯뫳쫽볆䱗ퟅ훂탲퓚탎럖뷸뿭볻뮻컒늢뻝훖듋뷡랽맩ퟣ닎ꆤ기ꆾ㤲긳ꆱ㌲㔵〱ㄳ긴붨쟉浩뺣깭籲꺡?㔷㤲ㄶ?ꢶ㤳㐴㈱?琩랽ㄵ죧?沿냗튻뇭훜쫕돉뫏뷸펦㇖뻛뎤ꎬ닢튲횵룼맀룟솦쇐뛔쪽컶탐닎㋖뫍맺늻뻟죕헢싛램튪涵쏴滊橮䥩뻸쫽꺡?퀱꾳쿊뗄쫕럖춼헒뛔滆짒퓫훖쿖웚틦횸붵탐ꎬ?킽뫏볇뇭뛈믹폫涣볓볆욵폚놾쫽ꆣ뷡뻛㊡쿈뷗막쫇폐쓚늻튻쓃뗈좡㖷꒼헒쫽붷쫕ꎺ튻틦훓㇋풿짹늻돶탔늨ㄵ퓫뇤뷡냫틤쏷⣆놾컄쿖겳쫊뛔룃짭볆쿂맻뫏좡뻛?ꎬ쫐훘죕훜뻝춬폚볙훖쟒퓏욽뷊틦淒막뷗ꆢ룟流뒳탲쪮잿돌뚯럖ꆣ뮻맻﮲닎䱍붷놣쿗돶꒼뫏듸뻝쇬뗄쯣쏦틦涡﮿뎤뛸튪쓚웚욵ꎬ헽뚨탐랽헒ퟔ편ꢶ묢쫐뛔욽욵뺡?쫕쇱쇐럖쇒뛈뗄훓냫뗃볻믄쫽卖뷊돖嬲쇋쟒뿭풽폲뻛쪱붫펰ꩁꎬ짒뫳볇퇔훜탔싊헢첬ꆣ퓊?풵꾵늨틦퓏맘ꇌ쫽랽쫕?뗊갱ꎬ맦뗄튪쪱룟닎떽뇭쒾톿맀튲쒣헒늻そ폫컶살뫏럖쿬늨偊퓙쒳풿뻛틤틲웚뛔㍝뿉탔떫쟆뚯ퟔ헒㖣?꒼닮쫕틦㕭뛸퓲훜죵볤욵쫽늨ㆡ뒳볆쫇탍뇤뗄뗍컊뷰풽퇐뗃닉컶ꆣ뚯뾼뫏닎폃쯘탔펰쓜볙듓쿠?뎤쿐쟒럖틦벰맘楮죽뗄웚폚뻛퇹맀겢뚯?횵뻟춾ꎬ퇐욵ﶹ죚淃죝뺿떽폃쫽걎달ꆣ쿬쫇맽뚨냫믗볇냆ꟓꆣ뫍웤쫕훖ꆰ탔뻸뫏놾볆ꎬ겲믹폐헢뺿쫽삼룟틗뗄뻝澡뻛겵뷡쇭뛸뎤평폚닎틤?탔뛔뻸늨틦喡쳘ꎬ랽퓙ꢶ놾늻뻛퓊폫뷡뻝웖욵킵믱듓쫇꼵뫏놼맻맀쯣췢냫뗃볇폚냑뛸쫽꺴ꌵꢶ뻛늨뛔뚯뗄뇐헷쫕내램뾼꾲쿠뇤뫏헒놾싛샠떱쫽쓈뗃뷰뗍막싊춬ィ짒쫇볆ꎬ닎떽틤쯻쏴랽ꚡ꿐ィ뫏뚯쫕탲ퟔ닢췇ꆣ틦컥톡달춬뗄늻컄쿠쯆뻝뇏ꎬ죚욵욱퇹죔곐묱횵듓쫽튻탔쏇룐램ꍌ갢킧뗄틦쇐킵쿠뛈𢡊뫍㴱좡늨좶ꎬ뇤퓚춬꾲?탭쫕쫽볛늻내좻ꅐ쪱뎤춼䱷훂쯹퓬쳦놾埔펦ꆯ쓗뛈죽맘?뇈뛔ꎬ쇋뚯퓊헢뷡탔볇샭ꆣ쳘뮴튻?뛠틦뻝룱춬헽톡ꆯ뮻ㆿ맀닉돉듺짭?뗄퓏죵솿훖ퟔ몯겲횮쫽㊣䱗뎤ﷆ뇭뫏ꆣ틤싛뛔헷뚨쪵뷇ꎬ뗄튻좡㔵쿈ꎻ늻짒볆맀뛸폃탲훎냫ꆣ죔늨쿠쫽ꢶ쿂욽갴맀볇붷쏷뛅쇭탔짏룟곋돌횤뛈헢뛔䱗ㆣ뎤뻛뛸듳풿쓜볆펰폫뗄쇐퇔닎?쫽좻뚯맘벸꿐ꎬ랽볆쿈틤뷊䱍ퟓ췢닎뗄욵뛔뗃뛈퇐살쫇냫갲맀볇뫏ꆣ뒳릻뷡쿬컄䱐쇭쿔?꿊볬톡쳦몯욽쫕ㄶꎬ탔?卖솽쫽뷡늻짏뺿붲틲튻닎볆틤뫳폚헢뫶맻쿗냫췢좻뛔퇩좡듺쫽킵랽틦뷸듸뗄쒣뗈훖퓚싛뻝춬쏖ꎬ캪뷗㒣탔웤뇭겸싔ꆣ嬲닎컞?룟뛔솿돊쓗쫕ꆣ뻛뗄튻뛸늹컒닮?욵ꎬ쯻쏷?そ䱐램뿭욵ꆣ?쫽뷡퇐쫽뻝뻝
中国管理科学2008年 16 Speculative Markets[ZJ. Unpublished manuscript, UC 数据时，敏感性降低.因此，当能够在得高频数据San Diego. 1997. 时，应尽可能采用高频数据进行半参数分析.[8J Lobato 1. Savin N. E. Real and spurious long-memo›ry propertiωof stock market data[J]. Journal of Bus ›6结i吾ness and Economic Statistics, 1998, 16: 261-268. 本文基于高频数据，采用半参数估计方法研究[9J李亚静，何跃，朱宏泉.中国股市收益率和波动性妖记了被动模型长记忆参数的聚合敢应.针对金融收益忆性的实证研究[JJ.系统工程理论和实践，: 9 一15.的高频数据，有关聚合放应的研究自然涉及到两个[10J I辛辛峰，张庆想.中国股市波动做过程中的妖期记忆方阳内容z不向波动替代形式〈收益变换〉妖记忆性性实证研究[JJ.系统工程.(1):78 83 的聚合检验和不同时间颇事数据的波动快记忆性的口lJEngle R. F. Autoregressive conditional heteroskedas›聚合检验.在对位记忆参数的估计方法上，就们采ticity w th estimates of the variances of UK inflation 用了稳健的LW估计.从不同波动替代最位记忆[JJ. Econometrica, 1008 1 性聚合检验的分析结果可以看出，半参数估计方法[12 J Bol1erslev T. Generalized autoregressive conditional heteroskedasticity[JJ. Journal of Econometirc嚣，1986, 是股票市场游动长记忆性分析的有效方法;另一方31: 307 327 酶，高频收益的时间黯合对波动长记忆参数的估计[13J Drost F. C.. Nijman T. F. Temporal aggregation of 值影响不大，说明了数据颇率的选择并非是波动位GARCH processesCJ]. Econometrica, 1993, 611 909 记忆性的重要影响因素.综合上述两个方面可以认-927. 为，我国股市波动的长记忆性存在聚合不变效应.[14J Hansen L.丑，Scheinkman 1. Back to the future: gen›由于记忆性特征具有时间标度不变性，本文研究结erating moment implications for continuous time Mark›论验证了半参数方法的良好妓果，适合于分析高频ov processesDJ. Econometrica, 1995, 63: 767-804. [15J杜子平，张世英.SV模型的聚合及其边际化研究[]].金融数据的记忆性特征.采用半参数方法一定程度系统工程理论方法应用.2002 1H2): 173一176.上班免了低频数据损失高频借息的不足，为高赖金[16J Meddahi N. Renault E. "Temporal aggregation of vol›融模型的研究提供了有益的参考.atility models[JJ. Journal of E∞nometrics， 2004. 119: 355一379.参寿文献:[17J许启发，张世英.金融波动的平方很随机自回归波动[lJ Mandelbrot B B. When can Price Be Arbitraged Effi›模型[JJ.系统工程理论方法应用，2004，13(6):561 ciently? A limit to validity of the random walk and mar›568. tingale models[JJ. Review of Econonœc5 and Statistics, [18J Ansley C.丑.Spivey W. A.. Wrobleski W. J. On 1971. 53(2): 225-236. the structure of moving average processes [J]. Journal [2J Cheung Y. W.. Lai K. A search for long-memory in of Econometrics, 1977, 6121一 international stock market returns[JJ. Journal of lnter›[19J Andersen T. G. Stochastic autoregressive volatility: a national Money and Finance. 1995, 1, 615. framework for volatility modeling [J]. Mathematical [3J Hiemstra C. Jones J. D. Another look at long-memo›Finance. : 75一 in common stock returns[口.Journal of Empirical F ›[20 J Bo!1erslev T. W right J. H. Semiparametric estima›nance, 1997. 4: 373叩 of long-memory volatility dependencies: the role [4J Jacobsen B. Long凡termdependence in stock returns of high frequency data [JJ. 10urnal of Econometrics. [JJ. Journal of Empirical Finance. 1996. 3:393 417. 2000, 98: 81明106.[5] Andersen T G. Bol1erslev T. Heterogeneous informa›[21J Robinson P. M. Gaussian semi parametric estimation tion arrivals and return volati1ity dynamics: uncovering 。flong range dependence[JJ. The Annals of Statistics. the long run in high frequency returnsCJJ. Journal of 1995, 23:1630-1661. Finance. 1997, 52: 975一1005.了22JGeweke J. , Porter-Hudak. The estimation and app1i›[6J Dacorogna M. M.. MuKller U. A. Nagler N J. Olsen cation of long memory time series model[J]. Journalof R B. Pictet 0 V. A geographical model for the daily and 丁imeSeries Analysis. 1983, 4: 221吨 seasonal volatility in the foreign exchange mar唰[23J Han Y. W. Long memory volati1ity dependency. tem懈poral aggregation and the Korean currency crisis: the ket[J]. Journal of lnternational Money and Finance. role of a high frequency Korean won (KRW) -US 1993. 12: 413-438. [7J Granger C. W. J. Ding Z. , Spear S. Stylized Facts of dol1ar (S) exchange rateCJ]. Japan and the World E›the Termporal and Distributional Properties of Daily conomy. 2005. 17: 97一109.?췲랽쫽뻝ꆤㄶ훐㈰쫽쪱㚽놾쇋뗄랽뻛폃탔쫇쏦횵볇캪평싛뷰짏죚닎嬱䈦捡偲瑯癡潦瑨湬䕣慮ㄹ嬲䮣珇景楮獴牥䩯䥮湡䵯䙩嬳䎣䪣慴特捯䕭嬴摥ꎬ뿚嬵?咣癯摹牵桩晲嬶䶣疣浯步嬷掣媣䑡䵡啮浡卡嬸䦣亣剥獰汯灲摡䉵湥嬹틤ꆪ䚣桥瑩睩敳孊慵㍬慧䝁ꎮ䲣敲潶쾵䖡㌵쒣㔶瞣慶䑝䢣爰傣獥灡牡䅮昲呩妣浥灯捵捲睯啓搰䉥䅲䕦捩牡睡慮獴汯浡䙩湡䞣䡥瑩慲䊣景䙡印䑩䕣却潦瑨䝥晵浯業捯卥慰慧爰䭯?獳妣瑵牵牲ꆤ楣汩?浡潮㜱깁瑥潣に湧浭灩灥景污湡杨摥瑨ㄹ潦潰楬灵湵憡獩ㄵ湤捩瑩癡瑯깆杲剃깐慴氭㖡㢣癩敲깇慭瘰ㅥ〰浩捡汯浥獥物慬浯䭯楳〸全畲湥꺣깄敱깍갰깅ꎺ깃㤲꽔긭牡渨ㄱ맺嵍睨潤嵃瑵湡嵈嵊嶣嵁嵄瑛嵇깷嵌瑡巀탔そ쪵ㅝ㉝㍝㑝㕝춳㙝㝝탍㡝깊ꎮ㥝牬扩晩敮湤汫?瑩慴湧牫ꆪ湣깂瑥潮物걐嚣来摡祬捴呥散敧㡴潦啋楮浥灬湴浩杲ㅥ牥湯뻝ꎬ컄늨룟쏦뻛뫏쇋막펰틤폚퇩죚뇜쒣뾼牮?浩摩犡潮ꎬ牮ꆪ物湤牭瑩湣慮㤳걓敲扬獣뽡楯ꎮ楴牯瑹浡牥潭敧楮걒ꨳ湧慧敷ㅡ略汳楳㤵浯浥敳祳特깗쓪捨湡?걊ꎮ略ㅳ殡畴㌰㞣慣敭畲湣睲浥걐捹䭒慲瑲ꆪ瑬潭湧楳整斣潬牯癡楣깁潧楬睥獥瘰楮瑨楺牭䑩疡澣晬牥湴灡榡敧浹맜慮敮敬桥牮濋湣楥慣깊湤䩝牡潢孊뗄췵䕮깅䉯䑲敳䡡뛅릤䵥汳탭䅮䩯副䝥汛?瑹뫧㔳慴浥捡憡汩捳斣乡景ꎬ灥瑩楳物慶畳楯獫瑥杲整呥ꆣ㜹却潲ꆪ㤸潮特ꎺ쪱펦믹뚯욵쓚뫏볬컈욱룟쿬탔컒볇횤쫽쏢탍컄慧礿慬瑩ꎮ浥갱斣汥来汳瑥牡敫慳ㅡ數浡敤灯獴뽡楣慴汩ꎺ畯?潮䅮湣ꎬ敮ꩭ潲㞡ꆣ獥楧䝡瑲䱯圩⡳捳⠲楯浯?捥瑹ꎺ갱㤱牥ㄲ慲敳桥灴槜游敤湡楲浰卣慵物獰潣汩瑮捩㈳潮捹샭摥獛畮ﭬ斣浳潢潵敲潲ꎮ湧䪣慴嶣잾쪵뒺퇐捯汬獫潳獥湳ퟓ돌摤孊웴獬ꎬ佮畲扩敮睥䩝敤?捳浯㤹갱牳湥灨汹潮瑩捨犡牡物楯穥来畳浥㈰ꎬ뺡폚쒣쫽죝볬퇩붡쫐욵늻뗄맺틤쇋뻝쿗敳潴䵵慲敧ꨳ乩楣桴瑥湧튻⥥ꆣ⦣湡ꆤ畮㤹敲楧ꎺ?뙬ꆪ慳獩挵潲桥汴捳楶桡瑹㠱ㄹꎬ特㞣㤹汥潵楣慬汩慮扵癥溡湳〵뿆汢䩝?橝갱瑲獥牮潧敲걄穝깊늣횤럥뺿湯敤獛敮욽샭慨嶣랢껏敹睲湡牳孊捥ꎮ먲?桥捯㞣䭬㐱啃步牥ꆪ癥ꎬ㈷橭慬楮敹獴㤹ꎺ獩ꇞㄶ犡㠳瑥硣䱡쏴뿉룟탍뻝ꎺ퇩ꆣ뗄뎡쫕듳훘막탔냫뗍퇐갴㚣?慬瑹来瑩ㄹ楣톧牯ꎮ㈵㤹?渦慬癥갵湡㎡楮潵겺퇐ꎬ孊浥獬慳ㄹ䩝歭橝싛깊㈰뗍潢敮楣嶣瑨潮㌰䩯涡㡰汥慮㒣瑩ꩈ桡ꎺ갳潮㤸ㄷ?룐쓜욵뎤ꎬ늻뫍퓚䱗뗄늨틦튪쫐쳘닎볇뺿ꆪ物㊣ꬴ㠶慮〴㜷㚣㒣?剥㖣䩯ꆿ牮컔헅嶣楶瑲敶瑩ꎮ랽潵뎹汥갴浡畤畲湧㌷ꎺ慬ꎬ㈳湧먹㌸ꎬ?ㄶ먲㎡㌹ㄶ㤷탔닉쫽볇폐춬늻뛔맀럖뚯뗄쮵펰늨헷틤쳡?ꎺ瑩慫癩갱畲ꇞ慬뺣뿚쟬껏楣捩䕣쫀램牮꒳獫깔湡㚣㜵ꎮㄱ㘱㈱ꨴ㎡ꎺꆪ㜵潮?ꆪ㦣먱ꎮ붵폃뻝틤맘늨춬뎤볆컶쪱쏷쿬뚯뻟랽탔릩敷ꆮ湡湧곖嶣들뗍㢣瑹潮펢펦慬쳀桥ꨴ㈶?㉬ꆪ周㈳ㄷ泒㦣쟺?튻껏ꆣ뎹갱孊潭폃뗍룟ꎬ닎뻛뚯쪱볇ꎮ뷡볤쇋틲뗄폐램쳘쯰〵튻㢣?ꎮ묲㞡ꎮ뗍훐꒳㤸嶣整獖ꎬ뷰?ㄳ?ꆣ욵닉쫽뫏쳦볤틤듓맻뻛쯘뎤쪱뗄헷쪧폐㊣㘸㒣ꨶ瑥ꪣ뎹맺첣㊣깊物쒣㈰죚붷ꆣ?틲쫽폃뗄킧듺욵닎늻뿉탔뫏뻝ꆣ볇볤솼룟틦?ㄵ牭껖꒳막갲갳潵捡탍〲늨꣓듋뻝냫뻛펦탎싊쫽춬틔럖뛔욵ퟛ틤뇪뫃닉뗄ꎮ킹쳀쫐〰沣牮ꎬ뗄뚯ꛓꎬ뷸닎뫏뗄쪽쫽늨뾴컶싊탔뛈킧폃탅調㒣먹慬ㄹ뻛ㄱ쎣떱탐쫽킧퇐⣊뻝맀뚯돶뗄짏듦늻맻냫쾢뾼짊?갲㠷㤳㤵뫏⠲욽쓜냫맀펦뺿헒뗄볆쳦ꎬ폐뎤톡쫶퓚뇤닎ꆣ탊췊탔稨튻벰⦣랽〰헒떼맽ㄩ氰㘱㘳웤묱룹㒣릻닎볆ꆣퟔ늨랽듺냫킧볇퓱솽뻛탔쫊쫽늻念돌ꎺ〸뇟㜳쯦갱믱쫽랽헫좻뚯램솿닎틤늢룶뫏ꎬퟣ쪺갲훐㜸㤰㜶볊ꆪ믺㌨뗃럖램뛔짦묩뎤짏쫽닎럇랽늻놾폚ꎬ춲〰뗄ꆪ?㞡뮯ㄷퟔ㘩룟컶퇐뷰벰뎤볇ꎬ맀ꎻ쫽쫇쏦뇤컄럖튻캪ꢶ㎣뎤㠳퇐㚣믘ꎺ욵ꆣ뺿죚떽볇틤컒볆쇭뗄늨뿉킧퇐컶뚨룟꿐걬웚〴?맩㔶쫽쫕솽틤탔쏇랽튻맀뚯틔펦뺿룟돌욵풳ꎺ볇ꎮ孊늨ㆡ뻝틦룶탔뗄닉램랽볆뎤죏ꆣ뷡욵뛈뷰꒼?틤嶣뚯?
第4期何建敏等2股市波动t是记忆怯聚合效应的学参数被验 17 The Semiparametric Test for Aggregated Effect of Long Memory Property in Stock Markets Volatility 1HE Jlan mln ZHAO Wel% (1. School of Economics and Management, Southeast University. Nanjing 210096, China; 2. School of Business，日uaihaiInstitute of Technology, Lianyungang 222001. China) Abstract: Based on serniparametric methods t the aggregation effect of long mernory property in stock rnar›kets volatility has been researched from two aspects: On one hand. stock returns are aggregated firstly. then the long memory property of aggregated series is’ considered, on the other hand. stock returns are convened to volatility series firstly, then the long rnernory property of aggregated volatility series is consid楠ered. The forrner considers the aggregated property of long rnemory parameter in volatility series. whilte the latter studies the influence of data frequency on long rnemory pararneter in volatility. Starting from the real situation of Chinese stock rnarkets and integrated consideration of the two facts. the aggregation invar帽iant effect of long memory property is found in volatility, which can also show the good effect of semipara›metric methods. Key words: volatility, long rnemory property; aggregated effect; high frequency ?췲랽쫽뻝周呥景䳑䵥偲楮却䵡噯䡅䩩坥⠱潦䕣慮啮㈱㊣䥮㈲䅢潮獥浥慧敦汯灲獴浡步癯桡晲瑷慳佮牥晩瑨楳捯瑯敲灡晡捡慬獨慲䉵卥䅧䕦潦扥牥䥯浥潴汯瑨楮噯獥污獴瘰獩瑷楡敦杯?瑵潮깓灥?獴潰潣䥡慮椲ꎮ湡楶〰捨浩瑨杲晥湧瑳污湤敮物ꆯ桡湶湳敤慧灲牡慲潦䍨癡畮獯潷䭥敱浯牫㈰犡潭牳牭捴獩牮浩杲晥敮獥湧浯桥?污物瑴畤楮ㅡ慉瑵獴湴潤瑲瑨睯潲捨楴敲捴敲?瑩ꆪ卣来㤶湯牡灡潤敧捴特ꎬ敳捯湤潣敮楤ꎮ杲潰浥潦摡晲楮浡犡略湥特整ぬ瑬灡敧捴湩〰畴瑹慲玣?瑩敳敲楥晬慴潣慮楣潤牤獳瑹䥩浩栰浥獩ꎬ汯捴牡玣慴汩獴湳?敤ꆪ敲敧瑥瑡敱湧敳牫楮捯ꎻ湣捳牡慴?ꆤ捨禣汩略楯건玣ꎬ瑹湬〱湴䍨杹ꎺ浥건楯潣敤楤?慴略整瑥湳ꎻ桩浥敤瑹睨湣?ꆪ멶䡵䍨건ꎬꆤ楮䉡瑲桥?敲敤湣杲楤慧杨慩瑲湴?ꎮꎬ潬榽桥婈獯乡憣䱩獥楣敤?慴敲杲桡楣?睨慴䅏畴湪?慮ꎻ敤慴敧楣楬桥楮祵楯慴?楴慳?湧敤禣?慮뭬?潮?
