基於價格全距之價差估計─以時間序列模型改善價差小於0的發生機率

如何從交易價格資料推估價差為財務文獻之一重要研究主題。本文探討基於價格全距之價差估計模型,使用兩種方式計算價差,分別為Cowin and Schultz (2012) 估計法 (CS) 與Li, Lambe and Adegbite (2018) 的Basic High and Low (BHL) 估計法,使用四種不同市場 (KOSPI200、NIKKEI225、FTSE100、ESTX50) 30分鐘的日內資料並與日資料結果進行對照。我們發現無論是日資料或30分鐘資料, 兩種價差計算方式皆容易產生價差為負的情形,而負價差之比例介於 30-50%。為改進此問題以減少負價差之比例,我們使用了Chou (2005) 的條件自我回歸全距模型 (Conditional Autoregressive Range, CARR),由CARR模型求得價格全距之條件期待值後代入計算公式,我們發現此修正做法能有效降低負價差出現之頻率至10%以下。我們也進一步在CARR模型中考慮波動度之槓桿效果,亦即加入前期報酬為負之指標函數,以提升對價差計算結果的表現。

作者:國立中山大學財務管理學系 碩士生 朱奎翰、中央研究院經濟研究所 兼任研究員 周雨田、國立中山大學財務管理學系 碩士生 許哲維、*國立中山大學財務管理學系 助理教授 蔡秉真

*通訊作者E-mail: vincenttsai@mail.nsysu.edu.tw

發表人:蔡秉真

更多工商時報報導
聯茂需求喊燒 2022季季旺
廣達擴產 加碼美國投資
大眾控AR HUD 進攻電動車