বাইপাওয়ার ভ্যারিয়েশন: জাম্প-রোবাস্ট রিয়েলাইজড ভোলাটিলিটি ব্যাখ্যা

High-frequency realized variance intraday log return-এর square যোগ করে। উপযুক্ত semimartingale model-এ sampling interval ক্রমে ছোট হলে RV quadratic variation-এ converge করে। Price path-এ continuous diffusion ও jump দুটোই থাকলে এই limit-এ integrated variance এবং squared jump-এর যোগফল থাকে। তাই RV ex-post মোট variation মাপে, কিন্তু continuous movement আর discontinuity থেকে কতটা এসেছে তা একা আলাদা করতে পারে না।

Bipower variation-এর building block ভিন্ন: একটি return square না করে পাশের দুই return-এর magnitude গুণ করে। Limit model-এ isolated jump সাধারণত একটি return interval-এ পড়ে, আর পাশের return সাধারণত ছোট diffusion increment। Grid finer হলে jump-যুক্ত return ও তার neighbor-এর product ক্ষুদ্র হয়; পাশাপাশি diffusion return-এর product continuous variation জমা করতে থাকে। নির্দিষ্ট model-এর অধীনে integrated variance ও rare-jump variation আলাদা করতে power ও bipower variation ব্যবহারের ধারণা Barndorff-Nielsen ও Shephard উপস্থাপন করেন (Barndorff-Nielsen & Shephard, 2004)।

লক্ষ্য হলো ex-post integrated variance, \(\int_0^T \sigma_t^2\,dt\); পরের সময়ের volatility forecast নয়। Realized volatility calculation guide-এ squared-return measure ব্যাখ্যা করা হয়েছে। এই নিবন্ধে পাশাপাশি থাকা absolute-return product-এর আলাদা jump response দেখানো হয়েছে।

একটি নির্দিষ্ট window-তে log-price process ধরা যাক:

\[ X_t=X_0+\int_0^t b_s\,ds+\int_0^t \sigma_s\,dW_s+J_t, \]

এখানে \(X_0\)-এর পরের প্রথম term finite-variation drift, \(\sigma_t\) instantaneous diffusion volatility, এবং \(J_t\) jump component। এই process-এর quadratic variation ভেঙে লেখা যায়:

\[ [X]_T=\int_0^T \sigma_t^2\,dt+\sum_{0<t\leq T}(\Delta X_t)^2, \]

যেখানে \(\Delta X_t=X_t-X_{t-}\)। প্রথম অংশ continuous integrated variance, দ্বিতীয়টি jump variation। Jump positive বা negative যাই হোক, তার contribution হলো size-এর square। Quadratic variation in finance guide ব্যাখ্যা করে কেন path quantity স্থির price level-এর একটি dataset-এর variance থেকে আলাদা।

\(n\)টি intraday log return \(r_i=X_{i\Delta}-X_{(i-1)\Delta}\), যেখানে \(\Delta=T/n\), হলে realized variance:

\[ RV_n=\sum_{i=1}^{n}r_i^2. \]

সাধারণ semimartingale condition-এ grid finer হলে \(RV_n\) jump-সহ পূর্ণ quadratic variation মাপে। তাই no-jump assumption ছাড়া RV-কে “continuous volatility” বলা হলে দুটি আলাদা target একসঙ্গে মিশে যায়।

\(Z\) standard normal এবং \(\mu_1=E|Z|=\sqrt{2/\pi}\) ধরা যাক। বহুল ব্যবহৃত realized bipower variation convention হলো:

\[ BV_n=\mu_1^{-2}\frac{n}{n-1}\sum_{i=2}^{n}|r_i||r_{i-1}| =\frac{\pi}{2}\frac{n}{n-1}\sum_{i=2}^{n}|r_i||r_{i-1}|. \]

\(\pi/2\) factor absolute Gaussian increment-এর product-কে continuous-variance scale-এ normalize করে। \(n/(n-1)\) factor-টি একটি প্রচলিত convention-এ ছোট sample-এর endpoint correction; \(n\) বড় হলে এটি একের দিকে যায় বলে কিছু সংজ্ঞায় এটি বাদ থাকে। ফল তুলনা করার সময় কোন convention ব্যবহার করেছেন তা জানান।

Sum-এ overlapping adjacent pair থাকে: return 2-এর সঙ্গে 1, return 3-এর সঙ্গে 2, এভাবে চলতে থাকে। এটি প্রতিটি observation-কে “jump” অথবা “no jump” হিসেবে চিহ্নিত করে না। এর asymptotic ফলের ভিত্তি হলো finite-activity jump model-এ grid finer হলেও jump-যুক্ত অল্প কয়েকটি neighborhood থাকে, আর সাধারণ adjacent diffusion-return product continuous integrated-variance limit তৈরি করে। Limit theory leverage-type dependence-সহ বিস্তৃত stochastic-volatility behavior অনুমোদন করে, তবে নির্দিষ্ট assumption-এর অধীনে (Barndorff-Nielsen et al., 2006)।

<!-- learn:illustration -->

একটি hypothetical session-এ basis point-এ সাতটি log return আছে:

ধরা যাক, চতুর্থ return-এ একটি hypothetical \(+12\) bp jump আছে এবং ওই bin-এ continuous movement নগণ্য। তাহলে

\[ RV_7=1+1+0.01+144+0.01+1+1=148.02\ \mathrm{bp}^2. \]

ছয়টি adjacent absolute-return product-এর যোগফল \(4.60\ \mathrm{bp}^2\)। নির্দিষ্ট endpoint-corrected convention-এ:

\[ BV_7=\frac{\pi}{2}\frac{7}{6}(4.60)\approx 8.42994\ \mathrm{bp}^2, \qquad RV_7-BV_7\approx139.59006\ \mathrm{bp}^2. \]

দেওয়া jump-এর square হলো \(12^2=144\ \mathrm{bp}^2\)। ব্যবধানটি ঠিক 144 নয়: jump-এর পাশের product-এ \(12\times0.1\) term আছে, আর সাতটি return-এর ছোট sample-এ সাধারণ sampling variation-ও থাকে। এই ছোট কল্পিত উদাহরণটি হিসাব যাচাই করার জন্য; এটি observed market data নয় এবং সংক্ষিপ্ত window-তে jump variation নির্ভুলভাবে ফিরে পাওয়ার দাবি করে না।

প্রচলিত consistency result শর্তসাপেক্ষ। Window-তে finite jump-সহ continuous stochastic-volatility semimartingale ধরা হলে, এবং market microstructure noise ছাড়া ক্রমে finer interval-এ পর্যবেক্ষণ করা হলে, BV continuous integrated variance-এ converge করে। একই setting-এ \(RV_n-BV_n\) squared jump-এর যোগফলে converge করে। এটি asymptotic separation; প্রত্যেক return series বা finite grid-এর নিশ্চয়তা নয়।

Finite-activity assumption গুরুত্বপূর্ণ। অনেক ছোট jump বা infinite jump activity থাকলে jump variation-ও adjacent absolute product-এ উল্লেখযোগ্য অবদান রাখতে পারে; standard BV result তখন শুধু Brownian component আলাদা নাও করতে পারে। Extension, truncation বা অন্য jump test দরকার হতে পারে, এবং প্রতিটির নিজস্ব assumption আছে। Aït-Sahalia ও Jacod semimartingale process-এর জন্য ভিন্ন, বিস্তৃত high-frequency jump test তৈরি করেন; এটি আলাদা testing framework, ordinary BV সব ধরনের jump সামলায়—তার প্রমাণ নয় (Aït-Sahalia & Jacod, 2009)।

Observation design-ও গুরুত্বপূর্ণ। Return-গুলো একই window-এর এবং ব্যাখ্যাযোগ্য price series-এর হওয়া উচিত। Sparse interval, stale quote, asynchronous trading, overnight gap, এবং session boundary-র কাছে jump—সবই fine-grid interpretation দুর্বল করে। Observation frequency বাড়ানো কেবল তখনই সহায়ক, যখন data latent efficient price-এর কাছাকাছি আসে; অতিরিক্ত microstructure noise যোগ করে না।

Finite-activity, noise-free asymptotic model-এ RV minus BV jump variation মাপে। Finite sample-এ ব্যবধান negative-ও হতে পারে, যদিও squared jump variation কখনও negative নয়। কারণ RV ও BV ভিন্ন limit-এর noisy estimate। Negative value নীরবে শূন্যে clip করবেন না: clipping estimator-এর sampling behavior বদলায় এবং explicit rule হিসেবে তা জানাতে হয়।

Statistical test আলাদা প্রশ্ন করে: no-jump null-এর অধীনে sampling uncertainty-এর তুলনায় observed gap কি বড়? Barndorff-Nielsen ও Shephard realized power variation এবং bipower variation-ভিত্তিক asymptotic test তৈরি করেন। ব্যবহারযোগ্য version-এ raw gap-কে significance threshold ধরার বদলে প্রাসঙ্গিক quarticity estimate করা হয়, প্রায়ই multipower measure দিয়ে (Barndorff-Nielsen & Shephard, 2006)। পরে threshold bipower variation finite-sample jump distortion কমাতে এবং jump alternative-এ inference করতে প্রস্তাব করা হয় (Corsi, Pirino & Reno, 2010)।

Detected jump-ও নির্দিষ্ট sampling frequency ও significance level-এ একটি model-based statistical classification। এটি news cause চিহ্নিত করে না, recorded price-এ trader-এর execution সম্ভব ছিল প্রমাণ করে না, বা profitable strategy প্রতিষ্ঠা করে না।

Classical BV noise-robust high-frequency estimator নয়। Observed price \(Y_{t_i}=X_{t_i}+\epsilon_{t_i}\) হলে bid–ask bounce, rounding এবং quote update প্রতিটি return-এ noise যোগ করে। BV পাশাপাশি absolute return গুণ করে বলে adjacent product ব্যবহার করলেই noise মুছে যায় না। বরং আরও ঘন sampling noise contribution-কে বেশি গুরুত্বপূর্ণ করতে পারে।

এটি jump থেকে আলাদা সমস্যা। Realized kernel ও two-scale realized variance আলাদা construction দিয়ে microstructure noise-এর উপস্থিতিতে volatility estimate করে; এগুলো ordinary BV-এর বদলি নয়, আর noise robustness jump robustness বোঝায় না। Realized-kernel guide-এ noise-কেন্দ্রিক একটি পদ্ধতি ব্যাখ্যা করা হয়েছে।

গবেষণার প্রশ্নে noise ও jump দুটোই থাকলে দুটির জন্য তৈরি পদ্ধতি ব্যবহার করে assumption জানান। Podolskij ও Vetter noisy observation-এর জন্য modulated bipower variation প্রস্তাব করেন এবং finite-activity jump-এর বিরুদ্ধেও robust সংস্করণ তৈরি করেন; এটি modified estimator, উপরের unadjusted formula নয় (Podolskij & Vetter, 2009)। কম ঘন sampling, pre-averaging, threshold measure বা noise-robust estimator-ও বিকল্প হতে পারে। প্রত্যেকটির estimand, tuning choice বা uncertainty calculation আলাদা।

Assumption মিলে গেলে BV historical continuous integrated-variance component estimate করে। Jump-যুক্ত path-এর total quadratic variation estimate করে RV। তাদের ব্যবধান asymptotically jump quadratic variation estimate করতে পারে। কিন্তু এগুলোর কোনোটিই নিজে forecast, risk limit বা entry signal নয়। অতীত RV ও BV-কে আলাদা predictor হিসেবে ব্যবহার করা যায়; predictive value যাচাই করতে information timing ও trading cost নিয়ন্ত্রণ করে out-of-sample evaluation দরকার।

Variance estimate-এর square root-কে volatility বলার আগে window ও unit উল্লেখ করুন। Return basis point-এ হলে variance-এর unit bp² এবং square root sampled window-এর জন্য bp। Annualization-এ time-scaling assumption স্পষ্ট থাকা উচিত; calendar factor দিয়ে গুণ করলে jump, microstructure noise বা overnight measurement choice দূর হয় না। Jump-risk guide ব্যাখ্যা করে কেন discontinuous price move hedge exposure-এ গুরুত্বপূর্ণ; তবে এটি historical BV decomposition-কে trading instruction বানায় না।

Asset, price input (trade, quote না midpoint), return definition, sampling frequency, session boundary এবং overnight interval ও missing observation কীভাবে সামলেছেন তা জানান। RV ও BV formula, finite-sample normalization, return count এবং unit লিখুন। \(RV-BV\) হিসাব করলে raw gap দেখান এবং threshold, truncation বা nonnegative clipping হয়েছে কি না জানান।

Interpretation-এর পেছনে কোন model আছে তা ব্যাখ্যা করুন: finite-activity jump-সহ continuous stochastic volatility, নাকি ভিন্ন estimator-সহ বিস্তৃত jump model। Microstructure-noise correction, jump-test statistic, quarticity estimate, significance level এবং multiple-testing adjustment থাকলে জানান। Decomposition-এর সঙ্গে uncertainty measure-ও দিন।

Bipower variation-এর সুবিধা হলো adjacent absolute-return product continuous variation-এর limit ধরে রাখে এবং isolated finite-activity jump-এর asymptotic effect কমায়। সীমাগুলোও একই সঙ্গে জানাতে হবে: standard formula কোনো universal jump filter, significance test বা microstructure-noise correction নয়। Risk analysis বা research-এ ব্যবহারের সময় এই শর্তগুলো উল্লেখ করুন।