金融资产的协方差阵在投资组合和风险管理中扮演着非常重要的角色。本书在前人研究的基础之上，针对目前研究的不足提出了一个新的基于市场微观结构噪声和跳跃的估计量--修正的门限预平均已实现协方差阵，并对其理论性质和应用情况进行了研究。全书共7章，按照研究内容可以分为四个个部分。第一部分为1-2章，包括绪论和研究进展，主要给出本书的研究目的、意义、创新点以及目前对于金融高频协方差阵的研究现状等。第二部分为方法研究（3-5章），主要是针对目前研究的不足，提出可以同时处理市场微观结构噪声和跳跃的金融高频协方差阵估计方法，对其理论性质进行证明，并进一步对其修正，将分块策略应用到我们提出的估计量中，来减少数据的损失，提高协方差阵的估计效率。第三部分（6章）为应用研究，主要是将本书提出的估计量应用到投资组合中，来研究其应用情况。最后一部分（7章）是本书的总结。
更多科学出版社服务，请扫码获取。
在金融计量领域里，多维的金融高频协方差阵在投资组合和风险管理中起着非常重要的作用。在资产组合中，资产权数的确定跟它们之间的协方差阵是密切相关的，得到的协方差阵越精确，权数的分配越合理，组合效果将会更好。因此，对基于高频数据的协方差阵估计方法进行研究具有重要的理论和实践意义。
高频数据包含了丰富的市场信息，是金融领域的研究重点之一。当市场上不存在市场微观结构噪声或跳跃时，已实现协方差阵（RCOV）是积分协方差阵的一致估计量。而在现实的金融市场上，噪声和跳跃往往是同时存在的，在二者都存在的情况下，对高频协方差阵进行估计从而得到积分协方差阵的一致估计量，是值得深入研究的问题。但是现有的研究要么只考虑市场微观结构噪声的影响，要么只考虑跳跃的影响，很少有文献同时考虑噪声和跳跃对高频协方差阵估计的影响。而噪声和跳跃有可能同时存在于金融市场上，在二者同时存在的情况下对高频数据的协方差阵进行估计，仍是一个较为困难的问题。本书在前人研究的基础之上，针对目前研究的不足，提出了新的高频协方差阵估计量，同时处理市场微观结构噪声和跳跃的影响，提高高频协方差阵的估计效率。本书将高频数据波动理论、计量分析方法及实证研究紧密地结合起来，采用定性与定量相结合的方法，既有理论的梳理与构建，又有详细的实证分析。
刘丽萍，女，1984年11月生，山东菏泽人，统计学博士，副教授，新加坡国立大学访问学者，现就职于贵州财经大学数学与统计学院，任贵州财经大学统计学科学术带头人（2013～2016）。在国家核心期刊《统计研究》《数量经济技术经济研究》《管理工程学报》《系统工程理论与实践》《统计与信息论坛》《系统工程》《投资研究》《统计与决策》《数学的实践与认识》等刊物发表相关论文10余篇，主持国家社会科学基金项目1项、省部级项目若干。
目录
前言
缩写释义
1绪论1
2金融高频数据研究现状4
2.1高频数据及其特征分析4
2.1.1什么是金融高频数据4
2.1.2金融高频数据的主要特征4
2.2金融高频数据分析的主要动因5
2.3金融高频数据分析研究的现状5
2.3.1金融高频数据统计特征的研究6
2.3.2金融市场微观结构的研究8
2.3.3金融高频数据建模的研究9
2.3.4基于金融高频数据已实现波动的研究12
2.3.5基于金融高频数据协方差阵的研究 21
2.4我国研究金融高频数据的必要性22
3常见的高频协方差阵估计方法及其应用24
3.1 RCOV估计方法24
3.2基于市场微观结构噪声的RCOV估计方法27
3.2.1市场微观结构噪声对RCOV的影响 28
3.2.2考虑了市场微观结构噪声影响的RCOV估计方法 29
3.3考虑跳跃影响的高频协方差阵估计方法37
3.3.1 RBPCOV估计方法 37
3.3.2 ROWCOV估计方法 40
3.3.3 thresholdCOV估计方法 42
3.4金融高频协方差阵在投资组合中的应用情况43
3.5本章小结46
4 TPCOV估计方法的提出及其修正48
4.1预平均协方差阵估计方法49
4.1.1改进的预平均方法 49
4.1.2基于预甲均方法的MRCOV估计法 53
4.2新估计量的提出TPCOV及其修正55
4.2.1高频数据的基本设定 55
4.2.2 MTPCOV 的构造形式 56
4.2.3积分方差的一致估计量——MTPRV 57
4.2.4积分协方差的+致估计量MTPCV估计量60
4.3基于MTPCV的模拟研究65
4.3.1窗宽及门限函数的选择 65
4.3.2基于随机波动模型的数据模拟研究 70
4.4本章小结80
5 RnBMTPCOV的估计82
5.1基于刷新时间方案的MTPCOV的数据损失分析84
5.1.1刷新时间方案 84
5.1.2基于刷新时间方案的数据损失分析 85
5.2 RnBMTPCOV佶计方法87
5.2.1基于分块策略的协方差矩阵 87
5.2.2协方差阵的正则化处理方法 91
5.3 RnBMTPCOV的估计及有效性分析93
5.3.1 RnBMTPCOV估计结果的描述性统计分析 93
5.3.2基于MincerZarnowitz回归的协方差阵的比较分析 94
5.4本章小结97
6多维协方差阵预测模型的比较分析98
6.1基于高频数据的协方差预测模型1 00
6.1.1CFARMA (2,1)模型.101
6.1.2FIVAR模型102
6.1.3多元异质白回归(MHAR)模型104
6.1.4基于Wishart分布的自回归(WAR)模型106
6.2基于低频数据的协方差阵预测模型107
6.2.1DCC模型108
6.2.2 BEKK模型108
6.3预测模型的比较方法109
6.3.1损失函数110
6.3.2 MCS检验111
6.4模型预测结果的比较113
6.4.1数据的描述113
6.4.2多维协方差阵预测模型的比较分析116
6.5本章小结119
7金融高频协方差阵在投资组合中应用的实证分析120
7.1高频数据在投资组合中应用问题的提出120
7.1.1引言120
7.1.2投资组合优化问题122
7.2实证分析方法介绍124
7.2.1动态投资组合策略——波动择时策略124
7.2.2动态投资组合的比较方法125
7.3实证分析l29
7.3.1样本数据的处理129
7.3.2各投资组合的收益和波动分析1 30
7.3.3各投资组合的经济收益分析131
7.3.4各投资组合Sharpe比率的比较134
7.4本章小结l37
参考文献138
附录A书中用到的部分程序代码149
附录B部分模拟数据159
书单推荐
