$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

함수적 변동성 fGARCH(1, 1)모형을 통한 초고빈도 시계열 변동성
The fGARCH(1, 1) as a functional volatility measure of ultra high frequency time series 원문보기

응용통계연구 = The Korean journal of applied statistics, v.31 no.5, 2018년, pp.667 - 675  

윤재은 (숙명여자대학교) ,  김종민 (미네소타대학교) ,  황선영 (숙명여자대학교)

초록
AI-Helper 아이콘AI-Helper

초고빈도(ultra high frequency; UHF)시계열의 함수적 변동성 측정을 위한 최신 기법인 함수적 변동성 functional GARCH : fGARCH(1, 1) 모형을 소개하고 설명하였다. 실증분석을 위해 R-code fGARCH(1, 1) 프로그램을 KOSPI/현대차 초고빈도 수익률 자료에 적합하여 예시하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

When a financial time series consists of daily (closing) returns, traditional volatility models such as autoregressive conditional heteroskedasticity (ARCH) and generalized ARCH (GARCH) are useful to figure out daily volatilities. With high frequency returns in a day, one may adopt various multivari...

주제어

#함수적 변동성   #초고빈도 시계열   #함수적-GARCH 모형  

표/그림 (6)

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 연구에서는 n이 무한대로 접근하는 개념인 초고빈도(ultra high frequency; UHF) 자료로 구성된 금융시계열로부터 일간변동성 #을 세분화한 일중-변동성(intraday volatility)을 구하고자 한다. 즉, 하루의 변동성을 세분화해 연속적인(continuous) 일중-변동성을 얻고자 하며 일반적인 금융시계열에서는 하루 거래의 시작과 끝이 높은 일중-변동성을 가지며 점심시간 근처가 낮은 일중-변동성을 가지는 것으로 알려져 있다 (Aue 등, 2017; H¨ormann 등, 2013; Yoon 등, 2017).
  • 본 절에서는 함수형 변동성 모형인 fGARCH(1, 1) 모형 적용 과정을 예시하고자 한다. 자료 분석 코드 는 Aue 등 (2017)의 제 1저자인 Aue 교수(UC Davis)가 제공해 준 R코드를 수정하여 수행했음을 밝혀두는 바이다.
  • 이제 n이 큰 (혹은 n → ∞)경우를 생각해 보자.
  • 본 절에서는 함수형 변동성 모형인 fGARCH(1, 1) 모형 적용 과정을 예시하고자 한다. 자료 분석 코드 는 Aue 등 (2017)의 제 1저자인 Aue 교수(UC Davis)가 제공해 준 R코드를 수정하여 수행했음을 밝혀두는 바이다. R의 “fda” 패키지의 B-스플라인 방법을 이용하여 기저 함수를 추정하였으며 20개의 기저 함수, 4차 함수를 이용하는 큐빅 스플라인(Cubic spline) 함수를 이용하였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
고빈도 자료란? 고빈도(high frequency; HF) 자료란 하루에 많은 수의 수익률이 측정된 시계열을 지칭한다. 예를 들어 15분 단위로 관측된 고빈도 자료는 하루 6시간 거래로부터 n = 24개의 수익률로 구성된다.
fGARCH 모형과 GARCH 변동성 모형을 차이와 fGARCH 모형의 장점은? 또한 β(t, s)가 영(zero)-함수인 경우에는 fGARCH(1, 1) 모형은 H¨ormann 등 (2013)의 fARCH(1)과 동일하다. Yoon 등 (2017)이 지적한 대로 전통적인 GARCH 변동성 모형들이 일일 수익률, 주중 수익률과 같이 비교적 장기적인 주기의 분석에 사용되었던 반면 함수적 변동성 모형은 연속시간(continuous time) 데이터를 이용하고 있으므로 일중 수익률의 연속적인 추론을 할 수 있는 장점이 있다. 또한 실현변동성과 비교했을 때 해당되는 날의 일중-수익률들만 이용하여 구하는 실현변동성/수정실현변동성과 달리 함수적 변동 성 모형에서는 해당일과 그 이전의 일중 데이터를 모두 이용하여 변동성을 파악하므로 실현변동성에 비해 데이터 활용도가 높다는 장점이 있다.
일반적인 금융시계열 변동성 연구 방법은? 금융시계열 변동성 연구에서는 하루에 한 개의 일별 종가(daily closing price)로 구성된 시계열을 분석하여 일별변동성(daily volatility)을 제시하는 것이 일반적이다. 일별변동성 모델링은 generalized autoregressive conditional heteroskedasticity (GARCH) 모형 (Bollerslev, 1986)이 널리 이용되며 복잡한 고차의 GARCH 모형보다는 식 (1.
질의응답 정보가 도움이 되었나요?

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로