This paper studies the characterist

This paper studies the characteristics of long memory in high-frequency financial time series. First, it introduces realized volatility (RV) and long memory stochastic volatility model (LMSV). Because there are too many parameters in LMSV model, usual methods to estimate parameters are not useful any more. Second, we adopt the semi-parametric estimation method-Local Whittle estimator. Third, combining RV and LMSV model together and using the intraday data of every five minutes in the Shanghai Stock Exchange's Shanghai Composite Index from 2000 to 2008, we estimate the parameter of long memory and compare it with the ARFIMA model, which is a model being spread widely over the past few years. We find that the results of estimation, long memory parameter d, are in accord with the definition of long memory, and LMSV model is more effective in practice.

ผลลัพธ์ (ไทย) 1:

กระดาษนี้ศึกษาลักษณะของหน่วยความจำระยะยาวในชุดเวลาเงินความถี่สูง ครั้งแรก มันเกิดความผันผวนที่เกิดขึ้นจริง (RV) และหน่วยความจำระยะยาวความผันผวนสโทแคสติก (LMSV) เนื่องจากมีพารามิเตอร์มากเกินไปในรุ่น LMSV ปกติวิธีการประมาณพารามิเตอร์ไม่มีประโยชน์อีก สอง เรานำมาใช้ประมาณ Whittle วิธีท้องถิ่นประมาณกึ่งพาราเมตริก สาม รวม RV และ LMSV รุ่นกัน และใช้ข้อมูลกราฟรายของทุก ๆ ห้านาทีในเซี่ยงไฮ้ทรัพย์ของเซี่ยงไฮ้ดัชนีคอมโพสิตจาก 2000 ถึง 2551 เราประเมินพารามิเตอร์ของหน่วยความจำระยะยาว และเปรียบเทียบกับรุ่น ARFIMA ซึ่งเป็นแบบจำลองการแพร่กระจายอย่างกว้างขวางผ่านมาสองสามปี เราพบว่า ผลลัพธ์ของการประเมิน หน่วยความจำยาวพารามิเตอร์ d อยู่ในสอดคล้องกับคำนิยามของหน่วยความจำยาว และรุ่น LMSV มีประสิทธิภาพในทางปฏิบัติ

ผลลัพธ์ (ไทย) 2:

กระดาษนี้ศึกษาลักษณะของหน่วยความจำที่ยาวนานในความถี่สูงอนุกรมเวลาทางการเงิน ก่อนจะแนะนำตระหนักถึงความผันผวน (RV) และหน่วยความจำยาวรุ่นผันผวนสุ่ม (LMSV) เพราะมีค่ามากเกินไปในรูปแบบ LMSV วิธีการปกติในการประมาณค่าพารามิเตอร์ไม่เป็นประโยชน์ใด ๆ เพิ่มเติม ประการที่สองเรานำมาใช้วิธีการประมาณค่าท้องถิ่นกึ่งพาราประมาณการลดลง ประการที่สามการรวม RV และรูปแบบ LMSV ร่วมกันและการใช้ข้อมูลระหว่างวันของทุกห้านาทีในตลาดหลักทรัพย์เซี่ยงไฮ้ดัชนีเซี่ยงไฮ้คอมโพสิต 2000-2008 เราคาดพารามิเตอร์ของหน่วยความจำที่ยาวนานและเปรียบเทียบกับรูปแบบ ARFIMA ซึ่งเป็นเป็นรูปแบบ แพร่กระจายอย่างกว้างขวางในช่วงไม่กี่ปีที่ผ่านมา เราพบว่าผลของการประเมินหน่วยความจำยาวพารามิเตอร์งอยู่ในสอดคล้องกับความหมายของหน่วยความจำที่ยาวและรูปแบบ LMSV มีประสิทธิภาพมากขึ้นในทางปฏิบัติ

ผลลัพธ์ (ไทย) 3:

艺术型的工作。