建立於高頻率資料上的波動度預測

Abstract

波動度一直是金融市場所關心的課題，舉凡衍生性商品的評價、金融資產配置及風險管理，波動度皆扮演重要的角色。本文以HAR模型與MIDAS模型預測道瓊工業指數的波動度，採用Barndorff-Nielsen和Shephard (2004)的理論，使用日內五分鐘股價資料建立不同的波動度測度，包含已實現波動度(Realized volatility)、二項變異(Bipower variation)、已實現冪次變異(Realized power variation)及由二項檢定(Bipower test)分離已實現波動度的不連續與連續部份，並研究何種波動度測度有最佳的預測能力。 本文預測對象為未來一天、一周、兩周、三周及四周的平均波動度，並研究開根號轉換與對數轉換對預測能力的影響。樣本內結果指出，已實現冪次變異為解釋變數時，在任何形態與不同預測區間皆有最好的預測能力，樣本外結果於預測未來一天及一周優於其他波動度測度，上述結果在HAR與MIDAS模型皆成立。同時，樣本內及樣本外結果指出開根號轉換及對數轉換有助於提升預測能力。