【摘要】：AR模型对RV模型过于简化，如Corsi的HAR模型：可以是不同时间长度，如日或周等，进而计算得到相应长度的波动率。利用ARQ的建模思路，将HAR模型进行扩展使之将估计误差的方差进行调整，可以得到：，这里的k将会对RV模型中误差的作用进行调整，且成为反比例关系。也就是说，在日RV和周RV中，前者的RV参数调整更为重要。如上将所有的参数进行时变，称HARQ-F模型。
AR（1）模型对RV模型过于简化，如Corsi（2009）的HAR模型：
可以是不同时间长度，如日或周等，进而计算得到相应长度的波动率。利用ARQ的建模思路，将HAR模型进行扩展使之将估计误差的方差进行调整，可以得到：
，这里的k将会对RV模型中误差的作用进行调整，且成为反比例关系。也就是说，在日RV和周RV中，前者的RV参数调整更为重要。如上将所有的参数进行时变，称HARQ-F模型。(https://www.xing528.com)
当然，这里的参数可以调整其中的某一个参数，如对日RV进行时变可以得到：
Bollerslev等（2016）将这种仅仅调整日RV参数的模型称之为HARQ模型。在实证部分，本书首先将根据近年来所出现的传统类异质自回归模型及其具体思路构建几类具有典型代表的模型，即基本的HAR-RV模型、包含杠杆效应的HAR模型、包含连续部分已实现波动率的HAR模型、包含半方差的已实现波动率模型、包含跳跃成分的HAR模型以及包含了对跳跃成分进行分解后的HAR类模型，并用这些模型对我国股票市场的高频波动率进行建模分析，具体的模型将在第3章实证分析中构建，然后在第4章对所构建的传统类HAR模型进行升级，全部运用时变参数异质自回归模型进行相关研究。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
