一、文献综述
1.1 国内外研究现状
证券资产的市场风险体现为资产预期收益在未来时期的不确定性。风险管理是一个识别风险、测度风险，并控制风险的过程。更好地管理风险关键是金融管理者或参与者能提前为可能出现的损失做充足的准备。成功控制和管理风险，首先要对潜在风险进行度量，而后根据风险大小，采取应对风险管控措施。而在风险度量中，在险价值(Value at Risk VaR)方法采用分位数度量，直接以货币单位衡量风险，简单直观地描述了投资者在未来某一给定时期内所面临的市场风险。在VaR计算中，采用波动率模型准确预测度量波动率是精确测度VaR的关键。而资产收益率的波动率在包括金融经济研究、实际业务应用等方面一直扮演着非常重要的角色并且已经在金融资产及其衍生产品定价、金融资产风险管理等领域得到广泛应用。然而，资产价格或投资回报率是一个随机过程，波动率也由于其时变性而在无法现实生活中进行事先精确的计算。因此波动率研究受到许多学者的关注，金融市场波动率的估计和建模研究在过去几十年里成为金融研究领域最为重要的课题之一。
作为新兴市场国家，与发达经济体相比，我国金融资产波动水平高且波动率自身的变化迅速且剧烈（王天一等，2014）。所以对波动率的准确测度对于我国金融机构和金融系统的稳定性至关重要。传统的金融计量理论中，Bollerslev(1986)提出的GARCH类模型是估计市场波动率和预测市场风险非常重要工具。该模型在实证中得到了大量的应用和扩展，在金融市场中证券价格运动会持续受到信息冲击，低频数据必然会造成信息不同程度的缺失。而GARCH模型通常采用日收益数据，而并没有用到日内高频数据，从而降低模型的预测精度。
高频数据是相对传统低频数据而言，时间间隔较短(低于一日)的证券交易数据，通常指采用小时、分钟、甚至是秒为频率所采集的按时间先后顺序排列的金融类数据，一般例如股票价格、外汇价格以及成交量等等。早在20世纪80年代，Merton(1980)就指出，在一个固定的时间间隔内，当样本取样频率充分大时，可以用一个独立同分布随机变量的高频数据平方和精确地估计它的方差，为实现测度的发展建立了基础。然而，囿于当时技术条件的限制，高频数据的获取和处理等都比较困难，在实践上难以推广应用，导致这方面的研究有所停滞。近年来，随着高频金融数据的获取越来越容易，许多研究开始考虑使用日内高频数据估计更为准确的已实现波动率。
众所周知，已实现波动率(Realized Volatility,RV)是一个比平方收益率更具信息量的波动率估计量(Andersen, Bollerslev, 1998, Andersen, Bollerslev, Diebold, Labys, 2003)，当数据趋于无穷时，己实现波动率是积分波动的一致估计量，使金融波动率由隐变量转变为可以直接用非参数方法刻画的显变量。但早期的研究直接将已实现测度作为外生变量加入GARCH模型的方差方程式，即GARCH-X模型（Engle,2002）。这类模型虽然简单，但是没有多期预测能力。现阶段已有众多方法利用已实现波动率进行波动率的估计和预测，包括Engle和Gallo的MEM模型（2006），Shephard和Sheppard的HEAVY模型（2010），以及Hansen等人的Realized GARCH模型（2012年）。相比起HEAVY与MEM两个模型将条件方差和已实现测度分开建模，Realized GARCH模型的关键是嵌入了日内高频数据计算的已实现波动测度，且实证结果表明该模型的预测能力较传统的GARCH类模型有显著的提高。Realized GARCH模型通过一个测量方程将GARCH模型中的条件波动率与实现测度结合起来，将模型封闭起来，并且在其中植入一个杠杆函数用来描述“信息冲击曲线”，杠杆函数的引入起到三个重要作用：首先，也是最直接的目的，可以处理杠杆效应；其次，杠杆函数将相关性引入了约简后的方差方程式的误差项和收益率冲击的误差项；再次，收益率和实现测度同时驱动了条件方差的动态变化过程。此外，由于杠杆函数的单独设置，使得对模型的改进可以直接从杠杆函数入手，简单地实现了收益率、波动率和已实现测度的联合建模。
1.2 研究主要成果
由于市场微观结构噪音的存在，不同的采样频率对RV将会有不同的影响。过高的采样频率会导致RV偏离真实波动，而过低的采样频率会损失数据里的信息（王天一等，2014）。为了解决在RV估计中由于市场微观结构效应(包括噪音行为与跳跃行为)造成的有偏估计等问题，为了解决这个问题，现有的文献通常是直接使用对噪音稳健的已实现方差估计，如Hansen and Lunde ( 2006) 及 Barndorff-Nielsen et al. ( 2008) 提出的实现核估计“RK”，通过不同核函数消除微观结构噪声的影响；Barndorff-Nielson和Shephard(2003)提出双幂变差(Bi-power Variation,BPV)，用以提高估计量对跳跃的稳健性；Martens和Van Dijk(2007)提出己实现极差波动率(Realized Range Volatility,RRV)，这一估计量在有效利用日内高频信息的同时减小了波动率测度的方差；在双幂变差实现测度的基础上，Andersen等((2012)进一步构造了中位数己实现波动(Median Realized Volaility,MedRV)，这一估计量有效地稳健了跳跃行为对波动率估计的影响，提高估计量对跳跃稳健性的同时减弱了市场微观结构噪声的影响，并证明了该估计量相对于BPV有更好的收敛性和小样本适应性。除了利用纠偏降噪技术来消除噪声的影响，数据抽样频率的选择也可以减弱市场噪声的影响。在选择最优采样频率上，国外研究一般使用 5 分钟间隔的数据对已实现波动率进行估计，而国内研究大部分选择5分钟间隔的数据，部分研究会选择1分钟间隔的更高频率数据，如黄雯、王天一等人在研究沪深300指数的尾部风险时采用了1分钟高频数据。韩清等在对已实现波动率估计的不同降噪方法的比较研究中发现中国市场上最优抽样频率应该大于 10 分钟。但是，对于在Realized GARCH模型中选择不同频率的数据或是纳入对微观结构噪声或稳健的已实现测度能否提高模型估计准确性这一问题，已有研究还未达成共识。
金融数据普遍存在尖峰厚尾现象， Hansen等(2012)提出的Realized GARCH模型采用的残差分布是正态分布，这种分布并不能很好的描述收益率序列中可能的厚尾和偏峰的情况。王天一和黄卓(2012)将标准Realized GARCH模型推广到基于厚尾分布的情形，并将偏分布作为残差分布，证实了模型残差确实不遵循正态分布，并且这种非正态源于残差的厚尾特征，其偏峰特征并不总是明显的。这可能是因为Realized GARCH本身的结构产生的偏度已经足够，但是其产生的峰度不足，仍需要使用厚尾分布来矫正。而其实证结果表明，厚尾分布相对于正态 分布确实能够显著改善 Realized GARCH模型的预测能力，但是由于存在着可能的过度拟合情况，偏t分布的Realized GARCH模型表现的显著地差于标准ｔ分布模型。黄友珀、唐振鹏等（2015）借助偏t分布的realized GARCH模型提出能够同时考虑高低频信息的尾部风险估计方法，并纳入三个具有代表性和层次性的已实现测度构建了对比模型，在实证中，综合采用上证综指的日收益数据和高频数据研究微观结构噪声和跳跃对尾部风险估计准确性的影响，表明考虑高频信息的realized GARCH模型提供更为准确的VaR估计。
