吴鑫育，侯信盟

(安徽财经大学 金融学院，安徽 蚌埠 233030)

0 引言

成熟的股票市场具有引导资源流向、优化资源配置等功能，可在一定程度上提前反映出经济的未来发展形势。在学术界，对股票市场的研究一直都是学者们热衷的话题，其中金融资产价格波动率在衍生产品定价、投资组合分配和风险管理等领域扮演着重要的角色。如何准确地对市场波动率进行建模和预测成为学术界主流研究方向的一个热门分支，在此领域也不断涌现出新的研究成果。

Engle[1]利用当时已有的日度类相关低频数据，提出了自回归条件异方差(ARCH)模型，为波动率建模提供了一个新的思路。模型形式虽然简单，但在实际度量波动率的过程中，往往需要滞后很多期才能达到较好的拟合效果，所带来的直接问题就是要估计冗长的参数项。Bollerslev[2]为了更准确的描述时间序列尾部的分布特征，对ARCH模型进行了改进，提出广义自回归条件异方差(GARCH)模型。该模型既保留了条件方差中的资产收益率信息，同时加入条件方差自回归项。这样一方面避免了滞后参数过多的问题，另一方面提高了模型的预测精度。在GARCH模型的基础上，经由许多学者进行探索，又相继衍生出GJR-GARCH[3]、FIGARCH[4]、HYGARCH[5]等众多计量模型。以上模型在建模中使用的多是日度数据和周度数据等，这种低频数据虽然容易获取，但不足之处是丢失了很多日内交易的信息，无法较为准确的捕捉市场的波动情绪，最终降低了模型的预测能力[6,7]。……