任何决策行为均在一定的时间和空间条件下发生的。当然，在股市投资中也不例外，因此在现实中，时间己成为区别不同证券投资者的重要标识，即有长线投线者与短线投资者之称。不同时间长短的投资者均有各自追逐的目标和投资策略，由此产生不同的决策行为，并最终在他们的合力作用下形成丰富多样的股市行情。短线投资者可能会每时每刻地关注股市行情的变化，不断评估自己当前所处的位置，进而会频繁地执行交易操作;而长线投资者则会以更开放的心态去关注股市的波动，并不会类似短期投资者那样高密度地注视着股市起起落落，他们可能以一天一次或更低的时间频率去关注行情的变化。即使股价0.5%的快速增加随后同比例的急剧下降，可能对日内短线投资者来说备受关注的，但这一瞬间微量变化并不太可能会进入中央银行或其它长线投资者的视线，因为能引起他们兴趣的应该是大的价格变化或长时间间隔的常态变化。
本文的主要目的，是基于波动沿时间尺度的垂直传导的基本认识，即假定高尺度上的波动可影响到其更低尺度上的波动，而低尺度波动对其外层高尺度波动不会产生影响的条件下，将波动细分为高波动与低波动两个状态，通过分析波动信息从低频到高频流动的统计性质，更深入研究我国股票市场波动传导的非对称性。为量化长线投资者行为如何影响短线投资者行为、不同时间尺度上的操作风险提供技术参考及间接经验证据。研究思路与理论方法
倘若在实践中能获得不同时间尺度投资者的交易数据，应该说存在很多相对成熟的计量方法用于研究长短线投资者行为间的关系。然而，这个假设至少在目前来说是不成立，即无法取得不同时间尺度投资者的纯净数据，唯一可利用的是由异质投资者的混合行为共同作用下的市场数据。近来年，随着小波分析技术的快速发展，其时频两重性己在许多金融时间序列分析中得到充分应用。因此，基于这种情形，可引入小波多分辨技术将市场波动序列进行尺度分解，获得具备时频两域特性的小波系数。从小波分析的基本理论不难可知，小波系数在数量上可理解为加权平均的差分，权重取决于小波滤波器。因此，小波系统实质上捕获了在给定时间尺度和时点上波动的变化，大的小波系数表明大的波动变化，即突变，小的小波系数则意味波动无大的变化，即平缓。然后建立不同时间尺度小波系数间的数量模型，旨意考察不同长短期投资者行为间的关系。主要结论与讨论
本文研究结果表明股市存在短线投资者依长线投资者操作而操作的跟庄现象，长短线交易均以一定的时间尺度为条件。聚焦于单一时间尺度的传统时间序列分析难于有效捕获不同尺度上的经济行为间的联系。本文利用高频数据和小波域隐马尔可夫模型研究了我国股市波动跨尺度传导的统计性质，结果显示波动传导具有显著的非对称性，即大尺度上的低波动状态极有可能引发小尺度上的低波动状态，而大尺度的高波动状态则不一定能在小尺度诱发高波动状态的产生。
人们普遍认为股市中存有跟庄现象，即小投资者关注大投资者、短线投资者追随长线投资者而执行交易行为。前文中论述了不同时间尺度上的波动意味着不同长短线投资者的行为及风险，那么不同尺度波动间的联系其实间接地刻画了长短线投资者行为的关系。那么，本文在对沪深两市行情的上证综指和深证成指的实证研究过程中，所得到的我国股市波动信息传导具有非对称性的结论，即长时间尺度上的低波动极有可能引发短时间尺度上的低波动，而大尺度的高波动状态则不一定能在小尺度诱发高波动状态的产生，不仅佐证了中国股市跟庄现象，且更重要的是对跟庄现象给予了富有实践价值的细化与量化。小投资者或短线投资在跟庄过程中将产生有差异的行为，小波动被跟随的可能较大波动被跟随的要大。
早在1900年Bachelier首次用布朗运动描述股票价格波动，认为收益服从高斯分布。但随后大量的实证研究结果表明收益分布中存在高峰、胖尾现象，也就说实际市场中暴涨、暴跌发生的概率远远大于高斯分布所预计的情况，因此随后大量学者建立各种模型去描述股价波动的统计分布，虽说这方面研究工作有了长足的进步，由于股市复杂多变性致使目前仍未形成在学术界普遍认可的波动分布模型。另外，Dacorogna等 (2001)定义了两类型的波动，即粗波动vc和细波动of，并分别以vc(t)和vf(t)捕获长线投资者和短线投资者的意图与行为，进而建立数量模型研究不同时间尺度的波动行为及相互间的关系。Muller等和Dacorogna等的实证研究表明粗波动能很好预测细波动，反之则不能。此后，这一发现被Zumbach(2007)和Borland(2008)所证实。Gencay等(2010)从时频角度，研究波动信息沿时间尺度上流动时，发现国际外汇交易市场波动具有的非对称垂直相依特征。在国内，何建敏等(2003)分析了我国股票价格波动概率密度的尺度性，其结果同样表明交易机制中的跟庄现象。综上所述，大量实证研究都表明，金融市场中不同时间尺度的波动间确实存在各种非对称性。此类非称性实际上从侧面也反映了不同交易者行为相互影响的非对称性。
本文结合小波分析技术与隐马氏链模型的各自特点，将股市波动分为低波动与高波动两种状态，在此基础上建立混合非高斯分布模型描述股市波动的统计分布规律。与前人研究的研究相比，这个由两状态相链接所构成混合非高斯分布具有一个重要的优点就是考虑了股市波动的尺度行为，由此通过小波多分辨分析将股市波动中的非高斯特征进行捕获，为量化不同尺度的风险提供了基础。