论文部分内容阅读
文献中对于“事后”(ex-post)波动率指标的构建多采用理论驱动的方法,即假设价格是某种随机过程的基础上,构建波动率的无偏估计量。从波动率信息提取和波动率预测的角度来说,理论驱动的方法不一定最优。深度学习领域的最新进展使得基于神经网络直接从原始高频数据中构建波动率指标成为可能。基于此,本文提出了一种采取数据驱动方法构建波动率指标的可行方案。基于深度学习的波动率指标作为对已有波动率指标体系的补充,能提供额外的波动率信息。样本内分析显示,在控制了已实现波动率的滞后项及其他波动率指标后,该指标仍对股市波动率有额外的预测能力;样本外的分析显示,该指标可以降低股市波动率预测的误差,在几种不同的模型设定下能提供2%-37%的相对改进(基于样本外R2统计量)。单一指标难以全面的反应高频数据中的波动率信息,更重要的是如何综合利用所有的波动率指标。对于多波动率指标体系的应用,本文关注两个方面——波动率预测和投资策略。对于波动率预测来说,最主要的问题在于指标间的多重共线性。相对于Engle and Gallo(2006)等采用的多个指标同时加入模型的方法,本文借鉴Paye(2012)、Cai et al.(2017),将每个指标作为外生变量单独加入模型,然后进行模型融合(Model Averaging)。经验证,在波动率指标较多时,本文的方法能提供更优的样本外预测。对于投资策略来说,本文关注基于多个波动率指标的策略是否比基于单一波动率指标的策略更优。本文研究了基于融合指标的低波动率策略。实证研究发现,融合指标能更好的解释A股的横截面收益;同时,基于融合指标的低波动率策略取得了更高的年化收益率和夏普比率。