20230813-中信证券-中国宏观经济高频数据手册

正态分布的尺度混合及有限混合 在最近股票收益率研究中!人们倾向于利用正态分布的尺度混合或有限混合。 尺度混合 对数收益率服从均值为u，方差为sigma^2的正态分布，但是方差是一个随机变量。 有限混合 一个有限混合的例子：

基于高频数据的分类信息混合分布GARCH模型研究

本资源是博主写论文期间用到的原始数据，内容是上证综合指数2019年至2021年3年间730个交易日的上证综指每分钟高频数据，除了实时交易价外，还包括最高、最低、交易额、交易笔数、收益率等等，是做股票市场高频数据分析的好材料。 一共4个文件，高频数据文件按年份2019，2020，2021三个文件， 同时附带了一份同时期上证综指日收益率数据。

ACD模型及其扩展——金融高频数据计量模型的新动态，鲁万波，，本文结合高频数据所表现出的独有特征系统地回顾了近年ACD（Autoregressive Conditioned Duration）模型及其扩展在国际、国内的发展状况，展望�

机器学习工程师纳米学位 顶石项目 项目：预测库存移动方向 安装 此项目需要Python 3.6和已安装的以下Python库： 您还需要安装软件才能运行和执行 我们建议安装 ，这是一个预包装的Python发行版，其中包含该项目的大多数必需库和软件。 代码 该代码在Notebooks文件夹中提供。 由于大小限制，不包括CSV文件和Clfs文件夹（经过训练的分类器池）。 跑步 在终端或命令窗口中，导航到顶层项目目录Notebooks/ （包含此自述文件）并运行以下命令之一： ipython notebook {name of notebook file}.ipynb 或者 jupyter notebook {name of notebook file}.ipynb 这将在浏览器中打开iPython Notebook软件和项目文件。 数据 该数据集由Github上某个帖子的1分钟库存数据

由于真实收益变动过程的不可观察性，因此在波动率预测评估中最具挑战性的问题之一是为事后波动率找到准确的基准指标。 本文使用澳大利亚股票市场的超高频数据来构建无偏的事后波动率估计量，然后将其用作评估各种实际波动率预测策略（基于GARCH类模型）的基准。 这些预测策略可允许创新的偏斜分布，并在标准GARCH波动率模型之外使用各种估计窗口。 在样本外测试中，我们发现，与使用基于稀疏采样的日内数据的实际波动率相比，使用无偏后波动率估计量，可以系统地减少所有模型规格的预测误差。 特别是，我们显示出三种基准预测模型在回报率和估计窗口分布不同的情况下胜过大多数修改后的策略。 比较三种标准的GARCH类模型，我们发现非对称功率ARCH（APARCH）模型在正常和金融动荡时期均表现出最佳的预测能力，这表明APARCH模型具有捕获Leptokurtic收益和典型波动率特征的能力。澳大利亚股市。

3M公司股票日简单收益率

高频数据看宏观：10月住宅价格走低-二线城市二手房销售回暖.pdf

以沪深300指数的一分钟为间隔的实时价格为研究样本,利用ARMA模型和基于T分布的GARCH(1 ,1)模型,对其收益率进行了拟合和预测,同时运用GARCH-M模型,分析风险和收益之间的关系。研究表明,股指波动存在条件异方差性;ARMA模型长期预测效果较好,而GARCH(1 ,1)-T模型短期预测效果较好;沪深300指数的风险和收益不呈正比,说明我国股市发展不成熟。