| 研究概要 |
当初の研究計画に従い、資産価格ボラティリティ過程のパラメータのGMM推定（実現ボラティリティの標本モーメントと日次累積ボラティリティの母集団モーメントとを出来る限りマッチさせる方法）において、日中季節性の存在を無視した場合には大きなバイアスが生じること、各種の日中季節性除去フィルターの利用によりバイアスを大幅に縮小させることが可能であることを、モンテカルロ実験により明らかにし、一橋大学経済研究所共同利用・共同研究プロジェクト研究会(IERPK1206) Workshop on High-frequency Data and Financial Econometricsに於いて報告した。季節性パターンが時間的に（日をまたいで）確率変動するタイプのフィルターの分析としては、[1]の自己回帰条件付季節性ボラティリティ・モデル（ARCSV）を日経平均株価及びS&P 500米国株式指数の高頻度データに適用し、その日中季節性不変モデルと比較しての当てはまりの改善を確認。また、関連して、非線形時系列モデルの特定化のニューラルネットワーク検定の[2]の方法を一般化する手法を開発し論文としてまとめた（[3]）。
参考文献
[1] Cho, J., and Daigler, R. “An Unbiased Autoregressive Conditional Intraday Seasonal Variance Filter Process.” Quantitative Finance, 12, 231-247 (2012).
[2] Cho, J., Ishida, I., and White, H. “Revisiting Tests for Neglected Nonlinearity Using Artificial Neural Networks.” Neural Computation, 23, 1133-1186 (2011).
[3] Cho, J., Ishida, I., and White, H. “Testing for Neglected Nonlinearity Using Twofold Unidentified Models under the Null and Hexic Expansions” in Haldrup, N., Meitz, M., and Saikkonen, P., eds., Essays in Nonlinear Time Series Econometrics. Oxford University Press. (2014年5月刊行予定).
|
