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 基于预平均方法的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 积分协方差的一致估计量——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估计方法 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Mincer-Zarnowitz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 100
6.1.1 CF-ARMA（2，1）模型 101
6.1.2 FI-VAR模型 102
6.1.3 多元异质自回归（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
6.2.1 DCC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 129
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 130
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 137
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