“学海拾珠”系列之一百六十：交易量对波动率的非对称效应-20230927-华安证券-16页_2mb

交易量对波动率的非对称效应总结

核心内容

本报告探讨了交易量对已实现波动率的非对称效应。通过引入改进的波动率模型，研究发现交易量对波动率的影响并非对称，而是存在显著的不对称性。具体而言，基于日内负收益的交易量对波动率具有更强的正向影响，而基于日内正收益的交易量对波动率的影响则较弱或不显著。此外，研究还发现，在引入杠杆效应和RSV（正负半方差）变量后，非对称交易量变量对波动率的预测效果更加显著。

主要观点

• 交易量与波动率之间存在正相关关系，但这种关系在不同收益方向上不对称。
• 日内负收益的交易量对已实现波动率的影响大于日内正收益的交易量。
• 引入不对称交易量变量可以显著提升波动率预测精度。
• 基于日内收益的非对称交易量变量模型在预测效果上优于基于日度收益的非对称交易量变量模型。
• 在考虑杠杆效应和RSV模型后，非对称交易量变量依然显示出较强的预测能力。

模型构建

1. 已实现波动率定义

• 已实现波动率（RVt）为日内高频收益平方和。
• RSVt+ 和 RSVt- 分别为基于日内正收益和负收益的半方差。

2. HAR模型的改进

• HAR-SV：基于对称交易量的HAR模型。
• HAR-AV1：基于日内正负收益的非对称交易量变量模型。
• HAR-AV2：基于日度正负收益的非对称交易量变量模型。
• HARL-SV：引入杠杆效应的对称交易量模型。
• HARL-AV1：引入杠杆效应和基于日内收益的非对称交易量变量模型。
• HARL-AV2：引入杠杆效应和基于日度收益的非对称交易量变量模型。

3. RSV模型的改进

• RSVL-SV：基于RSV的对称交易量模型。
• RSVL-AV1：引入基于日内收益的非对称交易量变量的RSV模型。
• RSVL-AV2：引入基于日度收益的非对称交易量变量的RSV模型。

实证结果

1. 数据来源

• 使用2001年2月5日至2021年7月19日的日本股市综合指数东证期货的五分钟高频数据。
• 样本包括5012个交易日。

2. 回归结果

• HAR-AV1 模型的 $\beta_1$ 估计系数为-0.19（在1%显著性水平下显著），表明基于日内正收益的交易量对波动率有负向影响。
• $\beta_2$ 估计系数为0.267（在1%显著性水平下显著），表明基于日内负收益的交易量对波动率有正向影响。
• HAR-AV2 模型中，基于日度收益的交易量对波动率的影响不显著。
• HARL-AV1 模型在引入杠杆效应后，预测效果优于 HARL-SV 模型。
• RSVL-AV1 模型在所有样本和信息准则下均优于 RSVL-SV 和 RSVL-AV2 模型。

3. 样本外预测

• DM检验：在 $h = 1$、5、22 的情况下，基于日内收益的非对称交易量变量模型（如 HAR-AV1、RSVL-AV1）均优于对称模型（如 HAR-SV、RSVL-SV）。
• MCS检验：基于日内收益的非对称交易量变量模型在多个损失函数下具有更小的p值，表明其预测效果更优。

关键信息

• 交易量的不对称效应在预测波动率中具有重要作用。
• 日内负收益的交易量对波动率的正向影响显著，而日内正收益的交易量影响不显著。
• 引入非对称交易量变量可以显著提高波动率预测的准确性。
• 基于日内收益的非对称交易量变量模型（如 HAR-AV1、RSVL-AV1）在预测效果上优于基于日度收益的模型。
• 在模型比较中，HAR-AV1 和 RSVL-AV1 显示出更优的预测能力。

风险提示

• 文献结论基于历史数据与海外研究，不构成任何投资建议。

结论

本研究通过引入非对称交易量变量，验证了其对波动率预测的重要性。基于日内收益的非对称交易量变量在模型预测中表现更优，表明在建模和预测实际波动率时，考虑交易量的不对称性具有关键意义。