投資者情緒極差與波動率預測

本文格式為Word版，下載可任意編輯——投資者情緒極差與波動率預測許佳宜邱育濤

[摘要]文章結合已實現極差指標、期權隱含信息以及投資者綜合情緒指標，構建HAR-RR-IV-SK-CICSI模型并對其預計效果和機制進行了實證研究。研究發(fā)現，日、周、月已實現極差對未來波動率均有顯著的預計能力，且日、周極差更適用于短中期的預計，而月波動率在長期預計中的表現更為顯著;相比于HAR-RV類模型，HAR-RR類擴展模型更準確有效;CICSI指標不必通過隱含波動率及風險中性偏度而間接影響中長期的波動率預計，說明白投資者看漲看跌的情緒與其實際投資決策行為并不完全是一致的。

[關鍵詞]實現極差;HAR-RV類模型;隱含波動率;風險中性偏度;投資者情緒

[DOI]10.13939/ki.zgsc.2021.18.055

1文獻綜述

目前對波動率研究的模型主要分為兩大類。一類是對歷史波動率建模的時間序列：Corsi（2022）構建HAR-RV模型，通過日、周和月三種期限的已實現波動率預計未來波動率，以反映未來波動率與不同期限已實現波動率之間的偏相關性。Parkinson（1980）進一步提出了極值理論方法，比傳統(tǒng)只用收盤價來做波動率預計的方法5倍得有效。周田雨（2022）在極值理論的基礎上，使用日極差構造了條件自回歸（CARR）模型，并在標普500指數上獲得了實證成功。丁忠明等（2022）以中國兩大股市為研究對象，分別運用CARR模型和GARCH模型進行波動性預計，再次印證了CARR模型更為準確有效。

另一類是研究期權的隱含波動率：相比于歷史信息法，期權價格能充分反映供求與對最新市場環(huán)境信息的預期。然而現實世界中，資產收益率的分布往往浮現尖峰肥尾的形態(tài)，且對于同一底層資產而言，一致期限但不同執(zhí)行價格的期權具有不同的隱含波動率。Byun、Kim等（2022）對真實波動率與風險中性波動率之間的差值進行分解，得到通過風險中性偏度和風險中性峰度計算真實波動率的近似表達式。Bakshi（2022）推導證明白風險中性偏度可以直接通過圖模型的方法得到。Ross（2022）更進一步提出的復原理論實現了直接從期權價格中推導出股票未來狀態(tài)價格分布的方法，進而測算隱含分布的階矩特征。

近年來，為尋求更有效的波動率預計方法的探究并沒有就此而止。Hans（2022）、陳蓉、林秀雀（2022）等發(fā)現長期的風險中性偏度與情緒指數存在顯著為正的相關性，中長期波動率偏斜與情緒指數的回歸系數均顯著為負，且期限越長，投資者情緒的相關性越顯著。胡昌生等（2022）進一步以上證50ETF期權作為經驗研究的對象，證明了隱含偏度與市場中非理性情緒之間的緊湊聯系。隨后，劉勇、白小瀅（2022）在HAR-RV模型中引入隱含波動率和風險中性偏度指標，構建HAR-RV-IV-SK模型，并進一步考慮了投資者情緒影響波動率預計的效果和機制。

上述研究對文章具有重要的參考價值，但也存在一些不足。劉勇、白小瀅取情緒變量為虛擬變量D，認為變量值高于該段時期變量均值為情緒高漲期，記為1，其他代表情緒低落期，記為0。這種基于樣本數據均值的方法使得模型對取樣數據具有高度依靠性，難以推廣得到一般普適的研究結果。

基于此，與以往研究相比，文章的貢獻主要有：第一，構建HAR-RR-IV-SK模型，積極探尋更準確有效的波動率預計方法;其次，對比了HAR-RV類模型和HAR-RR類模型的預計效果，研究發(fā)現文章構建的HAR-RR類預計模型解釋力度更強，且各指標估計系數的標準誤較小;第三，文章直接獲取2022年1月至2022年12月的CICSI投資者情緒指標作為模型的解釋變量，該指標值綜合了投資者情緒主觀和客觀的因素，且測度連續(xù)，能有效避免模型對樣本數據的高度依靠性。

2模型的構建

2.1已實現波動率