匯率波動之時頻域建模與預測

目錄

1. 導論與概述

本文提出一種新穎的金融波動率建模與預測方法，特別針對匯率，透過整合高頻資料分析與時頻分解技術。其核心創新在於，利用小波分解的已實現波動率量測值以及專門的跳躍估計器，來增強 Realized GARCH 架構。這使得模型能將波動率分解為對應不同投資期限（時間尺度）的組成部分，並分別考量不連續價格跳躍的影響。此研究動機源自市場參與者的異質性，他們在不同的時間範圍內操作，從高頻交易者到長期投資者皆有。

作者證明，他們提出的「Jump-GARCH」模型，透過最大概似法與廣義自迴歸分數（GAS）框架進行估計，相較於傳統的 GARCH 模型和流行的已實現波動率模型，能提供統計上更優越的預測。該分析使用了涵蓋 2007-2008 年金融危機的外匯期貨資料，為此方法論提供了嚴格的壓力測試。

2. 方法論與技術架構

2.1 Realized GARCH 架構

Realized GARCH 模型透過將已實現波動率量測值 $RV_t$ 直接納入波動率方程，彌合了傳統 GARCH 模型與高頻資料之間的差距。其基本結構包含一個報酬方程、一個用於潛在波動率的 GARCH 方程，以及一個連結潛在波動率與已實現量測值的量測方程。

2.2 基於小波之多尺度分解

為了捕捉波動率的多期限特性，作者採用了小波轉換。此數學工具將已實現波動率序列分解為代表不同時間尺度（例如，日內、每日、每週動態）的正交分量。若 $RV_t$ 為已實現波動率，其小波分解可表示為：

$RV_t = \sum_{j=1}^J D_{j,t} + S_{J,t}$

其中 $D_{j,t}$ 代表尺度 $j$（對應特定頻帶）的波動率分量（「細節」），而 $S_{J,t}$ 是捕捉最長期趨勢的平滑分量。每個 $D_{j,t}$ 近似於特定投資期限的交易活動與資訊流。

2.3 跳躍偵測與 JTSRV 估計器

一個關鍵的進展是整合了跳躍變異。作者使用了跳躍雙尺度已實現波動率（JTSRV）估計器。此估計器將總二次變異分離為連續的積分變異（IV）與不連續的跳躍變異（JV）：

$RV_t \approx IV_t + JV_t$

此分離至關重要，因為跳躍與連續波動率通常具有不同的持續性與預測特性。

2.4 估計方法：MLE 與 GAS

所提出的 Jump-GARCH 模型使用兩種方法進行估計：1) 準最大概似估計（QMLE），以及 2) 觀測驅動的廣義自迴歸分數（GAS）框架。由 Creal 等人（2013）提出的 GAS 框架，基於概似函數的分數來更新參數，提供了對模型設定錯誤的潛在穩健性與適應性。

3. 實證分析與結果

3.1 資料與實驗設定

本研究使用外匯期貨（可能為主要貨幣對，如歐元/美元）的高頻資料。樣本期間包含 2007-2009 年金融危機，得以檢驗模型在極端壓力下的表現。評估了單日預測與多期預測的表現。

3.2 預測表現

所提出的模型以標準模型如 GARCH(1,1) 和 HAR-RV 作為基準進行比較。評估使用了統計損失函數（例如，均方誤差 MSE、QLIKE）。關鍵結果呈現在比較表中（模擬如下）：

註：數值為相對於 GARCH(1,1) 基準的示意性比率。

3.3 關鍵發現與洞見

• 跳躍分離是關鍵： 將跳躍變異從積分變異中分離出來，能持續改善預測準確度。
• 高頻主導性： 對未來波動率最具資訊性的時間尺度，是小波分解中的高頻（短期）分量。
• 模型優越性： 新提出的結合小波分解的 Jump-GARCH 模型，在統計上優於傳統 GARCH 模型與標準 Realized GARCH 模型。
• 危機韌性： 該模型在金融危機期間展現了穩健的表現。

4. 核心洞見與分析師觀點

核心洞見： 本文傳達了一個強大但未被充分重視的訊息：波動率並非單一過程，而是分層的。作者拒絕將市場視為單一、同質的實體，而是使用小波將其剖析為其組成部分的投資期限，從而破解了波動率動態的黑盒子。短期、高頻分量驅動預測這一發現，直接挑戰了那些過度重視長期趨勢的模型，並凸顯了演算法與高頻交易在價格發現與波動率形成中日益增長的主導地位。

邏輯脈絡： 論證結構優雅。它從市場參與者異質性這一確立的實證事實（源自 Corsi 的 HAR 模型）出發。接著邏輯地提問：如果參與者操作於不同的時間尺度，我們的模型不應該反映這一點嗎？小波分解是完美的技術解答。隨後整合跳躍風險——市場的另一個非高斯、不連續的現實——完成了整個圖像。從經濟直覺（異質性）到數學工具（小波）再到實證結果（預測改善）的脈絡令人信服。

優點與缺點： 主要優點在於成功將複雜的計量經濟學（Realized GARCH、小波、跳躍偵測）融合成一個連貫且實證成功的架構。它超越了簡單的模型比較，提供了對可預測性來源的真正洞見。使用 GAS 框架也具有前瞻性。主要缺點，在此類文獻中常見，是穩健性檢驗帶有「樣本內」的感覺。雖然包含了危機時期，但對完全未見過的資料（例如，2020 年 COVID 崩盤）進行真正的樣本外測試會更具說服力。此外，小波-GARCH-跳躍模型的計算複雜度可能限制其在某些交易系統中的即時應用，這是一個未解決的實際障礙。

可執行洞見： 對於量化分析師與風險經理而言，本文是一個藍圖。首先，先分解，再建模。 在將波動率序列輸入您喜好的機器學習或計量經濟模型之前，對其應用簡單的小波濾波器，可能立即帶來效益。其次，分開處理跳躍。 如同 JTSRV 所做的那樣，建立一個專門的跳躍偵測訊號並獨立建模其影響，對於任何 2008 年後嚴肅的波動率模型來說，是不可妥協的最佳實踐。最後，將您的預測精力集中在高頻層面。 分配更多的研究與計算資源來理解和預測日內波動率動態，因為最重要的預測訊號就在此處。

5. 技術細節與數學公式

包含小波分量的核心 Jump-GARCH 模型可總結如下：

報酬方程： $r_t = \sqrt{h_t} z_t$，其中 $z_t \sim i.i.d.(0,1)$。

GARCH 方程： $h_t = \omega + \beta h_{t-1} + \gamma \xi_{t-1}$。

量測方程（增強版）：
$\log(RV_t) = \xi + \phi \log(h_t) + \tau_1 z_t + \tau_2 (z_t^2 - 1) + \sum_{j=1}^J \delta_j D_{j,t} + \lambda J_t + u_t$
其中 $u_t \sim i.i.d.(0, \sigma_u^2)$。此處，$D_{j,t}$ 是 $RV_t$ 的小波細節分量，而 $J_t$ 是由 JTSRV 估計器識別出的顯著跳躍分量。

該模型估計參數 $\theta = (\omega, \beta, \gamma, \xi, \phi, \tau_1, \tau_2, \{\delta_j\}, \lambda)$，以捕捉潛在波動率、已實現量測值、跳躍與多尺度分量之間的動態關係。

6. 分析框架：範例案例

情境： 一家量化避險基金希望改善其歐元/美元交易帳戶的每日風險值（VaR）預測。

步驟 1 - 資料準備： 取得歐元/美元的 5 分鐘日內報酬。計算基準已實現波動率（例如，RV），並應用小波轉換（使用如 Python 中的 PyWavelets 函式庫）將其分解為 3 個尺度：D1（2-4 小時動態）、D2（4-8 小時）、D3（8-16 小時）。另外，應用 JTSRV 估計器來提取每日跳躍序列 $J_t$。

步驟 2 - 模型設定與估計： 估計第 5 節中的 Jump-GARCH 模型，其中量測方程包含 D1、D2、D3 和 $J_t$ 作為外生變數。比較其對數概似值與資訊準則與標準 Realized GARCH 模型。

步驟 3 - 預測與應用： 從估計的模型生成單日波動率預測 $\hat{h}_{t+1}$。使用此預測計算 VaR（例如，$VaR_{t+1}^{\alpha} = -\Phi^{-1}(\alpha) \sqrt{\hat{h}_{t+1}}$）。將 VaR 預測與實際損益進行回溯測試，以評估覆蓋準確度。

預期結果： 使用小波的 Jump-GARCH 模型所產生的 VaR 預測，應展現更準確的覆蓋率（較少的例外），並且在經歷高跳躍或特定日內波動率模式的日子之後，較不容易低估風險。

7. 未來應用與研究方向

• 機器學習整合： 小波分量 $D_{j,t}$ 和跳躍序列 $J_t$ 可作為機器學習模型（例如，LSTM、梯度提升）進行波動率預測時高度資訊豐富的特徵，超越線性/參數化的 GARCH 結構。
• 跨資產波動率溢散： 應用多尺度分解來研究波動率如何在不同的時間範圍內於資產類別之間傳遞（例如，從股票到外匯）。股市崩盤是透過短期還是長期的波動率分量傳遞？
• 即時交易訊號： 開發明確利用短期與長期波動率分量之間差異作為均值回歸或動能訊號的交易策略。
• 央行與政策分析： 使用此框架分析貨幣政策公告對外匯波動率的影響，區分立即的高頻「新聞衝擊」與資訊的長期吸收。
• 延伸至加密貨幣： 在 24/7 運作的加密貨幣市場上測試該模型，這些市場以極端跳躍和多尺度投資者行為（從演算法機器人到長期「HODLer」）為特徵。

8. 參考文獻

1. Barunik, J., Krehlik, T., & Vacha, L. (2015). Modeling and forecasting exchange rate volatility in time-frequency domain. Preprint, arXiv:1204.1452v4.
2. Corsi, F. (2009). A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics, 7(2), 174-196.
3. Hansen, P. R., & Lunde, A. (2005). A forecast comparison of volatility models: does anything beat a GARCH(1,1)? Journal of Applied Econometrics, 20(7), 873-889.
4. Creal, D., Koopman, S. J., & Lucas, A. (2013). Generalized autoregressive score models with applications. Journal of Applied Econometrics, 28(5), 777-795.
5. Gençay, R., Selçuk, F., & Whitcher, B. (2005). Multiscale systematic risk. Journal of International Money and Finance, 24(1), 55-70.
6. McAleer, M., & Medeiros, M. C. (2008). A multiple regime smooth transition heterogeneous autoregressive model for long memory and asymmetries. Journal of Econometrics, 147(1), 104-119.
7. Andersen, T. G., & Bollerslev, T. (1998). Answering the skeptics: Yes, standard volatility models do provide accurate forecasts. International Economic Review, 39(4), 885-905.