Realized-Kernel-Schätzer: Volatilität mit Mikrostrukturrauschen messen

Ohne Messrauschen lässt sich die Variation über ein beobachtetes Intervall naheliegend durch die Summe quadrierter Intraday-Renditen schätzen. Tatsächliche Transaktionspreise und Quotes können jedoch Bid-Ask-Bounce, diskrete Preisstufen, Verzögerungen oder Erfassungsfehler enthalten. Die Differenz zweier verrauschter Preise überträgt ihre Fehler auf die Rendite; benachbarte Renditen teilen außerdem einen dieser Fehler mit entgegengesetztem Vorzeichen. Ihre seriellen Autokovarianzen enthalten daher Informationen über das Beobachtungsrauschen.

Die gewöhnliche realisierte Varianz nutzt nur das Produkt beim Lag null, also die Summe quadrierter Renditen. Bei sehr feinem Sampling kann sich das Rauschen schneller aufsummieren, als neue Bewegung im latenten Kurs erfasst wird. Ein Realized Kernel ergänzt den Lag-null-Term um gewichtete Autokovarianzen bei positiven und negativen Lags. Unter passenden Annahmen und bei wachsender Bandbreite helfen die Lags ungleich null, den führenden Rauscheffekt auszugleichen und zugleich die Variation des effizienten Kurses zu erhalten.

Barndorff-Nielsen, Hansen, Lunde und Shephard entwickelten Realized Kernels zur Messung der Ex-post-Variation bei Marktfriktionen in ihrem Originalartikel in Econometrica. Der Ansatz ist eine sorgfältig gewichtete Langfristvarianzrechnung und keine Aufforderung, ungeprüft jeden Tick zu verwenden. Der einfachere Hochfrequenz-Benchmark wird im Leitfaden zur Berechnung realisierter Volatilität erklärt. Hier geht es um die Korrektur mit einem Kern und ihre Wahl.

Sei \(X_t\) der latente effiziente Logkurs und \(Y_{t_i}\) der zum Zeitpunkt \(t_i\) aufgezeichnete Logkurs:

\[ Y_{t_i}=X_{t_i}+\epsilon_{t_i}, \]

wobei \(\epsilon_{t_i}\) das Mikrostrukturrauschen bezeichnet. Eine verbreitete Ausgangsannahme modelliert den latenten Kurs als stetigen Prozess mit lokaler Varianzrate \(\sigma_t^2\). Gesucht ist dann für das feste Intervall \([0,T]\) die integrierte Varianz

\[ IV_T=\int_0^T \sigma_t^2\,dt. \]

Die einfachste Herleitung nimmt an, dass das Rauschen den Mittelwert null hat, zeitlich unabhängig und vom effizienten Kursprozess unabhängig ist sowie eine konstante Varianz aufweist. So lässt sich die Korrektur leicht nachvollziehen. Reale Trades und Quotes können davon abweichen: Das Rauschen kann seriell abhängig oder zeitvariabel sein, mit dem effizienten Kurs zusammenhängen oder durch die Wahl der Beobachtungszeitpunkte beeinflusst werden.

Enthält der latente Prozess Sprünge, umfasst die quadratische Variation auch quadrierte Sprünge. Ob das zur Zielgröße gehört, hängt vom Modell und der Forschungsfrage ab. Eine Herleitung für stetige Kurse zielt auf die integrierte Varianz. Ohne ergänzende sprungrobuste Konstruktion sollte ein Realized Kernel nicht als Trennung stetiger Varianz von Sprüngen beschrieben werden. Der Leitfaden zur quadratischen Variation erläutert den Unterschied zwischen integrierter Varianz und gesamter Pfadvariation.

Das Modell betrifft die Schätzung eines abgeschlossenen Intervalls. Es rekonstruiert den latenten Preis nicht exakt, prognostiziert nicht das nächste Intervall und nennt keinen ausführbaren Handelspreis. Auch die Definition des Hochfrequenzpreises muss dokumentiert werden: Transaktionen, Quote-Mittelpunkte oder ein anderer Proxy können unterschiedliche Renditeserien und Rauschmerkmale liefern.

Für \(n\) beobachtete Renditen \(r_i=Y_{t_i}-Y_{t_{i-1}}\) sei die unnormierte Autokovarianzsumme beim Lag \(h\) definiert als

\[ \Gamma_h=\sum_{i=h+1}^{n} r_i r_{i-h}, \qquad \Gamma_{-h}=\Gamma_h. \]

Bei Lag null ist \(\Gamma_0=\sum_{i=1}^n r_i^2\), also die gewöhnliche realisierte Varianz. Beim ersten Lag werden benachbarte Renditen miteinander multipliziert. Im Modell mit additivem, unabhängigem Preisrauschen trägt der Fehler in aufeinanderfolgenden Renditen entgegengesetzte Vorzeichen: Ein positiver Beobachtungsfehler erhöht eine Rendite und senkt die nächste. Dadurch kann die Autokovarianz beim ersten Lag negativ werden. Muster über weitere Lags können ebenfalls zeigen, wie Rauschen die Renditeserie beeinflusst.

Die Lagsummen werden nicht durch die Anzahl ihrer Produkte geteilt. Das ist wichtig, damit der Realized Kernel sie auf derselben Skala wie die realisierte Varianz addiert. Der Schätzer ist mit einem heteroskedastizitäts- und autokorrelationskonsistenten Langfristvarianzschätzer verwandt, aber keine beliebige Summe normierter Stichprobenautokorrelationen. Auch Endpunkte und Summationskonvention gehören zur Schätzerdefinition.

Die Autokovarianzen kennzeichnen keinen einzelnen Tick als „Rauschen“ oder „Signal“. Sie fassen Kreuzprodukte über das Intervall zusammen. Ein negatives \(\Gamma_1\) kann zu Bid-Ask-Bounce passen, belegt allein aber keinen bestimmten Mechanismus. Bei seriell abhängigen tatsächlichen Renditen oder einer anderen Rauschstruktur kann dieselbe Autokovarianz mehrere Effekte widerspiegeln. Die Interpretation folgt dem angegebenen Modell und den Kerngewichten, nicht einer direkten Marktdiagnose jedes Lags.

Für einen maximalen Lag \(H\) gilt in einer verbreiteten Konvention für endliche Stichproben

\[ \widehat{IV}_{RK}(H)=\Gamma_0+2\sum_{h=1}^{H} k\!\left(\frac{h}{H}\right)\Gamma_h. \]

Der Faktor 2 berücksichtigt die symmetrischen Lags mit negativem Vorzeichen. \(k(x)\) ist ein Kerngewicht für \(0\le x\le1\), mit \(k(0)=1\), das nahe der Bandbreitengrenze gegen null ausläuft. Fachartikel und Software können Endpunkte und Indizes etwas anders definieren, zum Beispiel mit \(H+1\) im Nenner. Für eine Reproduktion muss die Konvention angegeben und durchgehend verwendet werden.

Eine häufige nichtnegative Wahl ist der Parzen-Kern:

\[ k(x)= \begin{cases} 1-6x^2+6x^3, & 0\le x\le \tfrac12,\\ 2(1-x)^3, & \tfrac12 < x\le1,\\ 0, & x>1. \end{cases} \]

Er gewichtet kurze Lags stark und längere Lags mit einem glatten Übergang schwächer. Diese Abnahme ist nützlich, weil Hochfrequenzrauschen Abhängigkeiten zwischen Renditen erzeugen kann und Schätzungen entfernter Lags zunehmend variabel sind. Die nichtnegative Parzen-Konstruktion ist so ausgelegt, dass der univariate Realized-Kernel-Schätzer unter der angegebenen Implementierung nichtnegativ bleibt. Andere Kerne müssen diese Eigenschaft nicht haben. Ein Flat-Top-Kern kann günstige Bias-Eigenschaften besitzen, aber in endlichen Stichproben einen negativen Schätzer ergeben.

Die folgende Abbildung veranschaulicht diese Abnahme: Beiträge naher Lags werden hervorgehoben, weiter entfernte verblassen. Sie zeigt weder gemessene Renditen noch empirische Gewichte einer bestimmten Stichprobe oder eine Volatilitätsschätzung.

<!-- learn:illustration --> <!-- Text-free concept: Symmetrische Rendite-Echos verblassen mit wachsendem Abstand zu einem hellen Zentrum und stehen für abnehmende Lag-Gewichte innerhalb einer endlichen Bandbreite. Konzeptbild, keine Marktdaten oder Schätzerausgabe. -->

Die Bandbreite \(H\) ist der größte Lag in der Summe. Ist sie zu klein, kann wichtige serielle Abhängigkeit des Beobachtungsrauschens unberücksichtigt bleiben. Ist sie zu groß, kommen weitere variable Lag-Produkte hinzu und erhöhen möglicherweise die Stichprobenvarianz. Die Bandbreite ist daher eine statistische Abstimmung, weder die Zahl der zu löschenden Beobachtungen noch ein Zeitintervall, das für jeden Vermögenswert gilt.

In der asymptotischen Theorie des Parzen-Realized-Kernels wächst die optimale Bandbreite in der Größenordnung \(n^{3/5}\). Ein in der Literatur verwendeter praktischer Ausdruck lautet

\[ H^*=c^*\,\xi^{4/5}n^{3/5}, \qquad c^*_{\text{Parzen}}=3.5134, \]

wobei \(n\) die Zahl der Renditen im feinen Raster ist und \(\xi\) das relative Rauschniveau und die Quartizität des latenten Kurses zusammenfasst. Eine Skalierung lautet

\[ \xi^2=\frac{\omega^2}{\sqrt{T\int_0^T\sigma_u^4\,du}}, \]

wobei \(\omega^2\) die Varianz des Beobachtungsrauschens ist. In der Praxis sind diese Größen unbekannt und müssen geschätzt werden, häufig mit vorläufigen Schätzungen der Rauschvarianz und integrierten Quartizität. Die Formel zeigt, warum die optimale Lagzahl von Stichprobengröße und Rausch-Signal-Verhältnis abhängt; sie ist keine universell feste Einstellung.

Asymptotisch soll die Bandbreite wachsen, aber klein gegenüber dem Stichprobenumfang bleiben. Häufig wird das als \(H\to\infty\) und \(H/n\to0\) notiert. Die Rate \(n^{3/5}\) balanciert führenden Bias und Varianz unter dem Modell und den Kernbedingungen der Arbeit. In einer endlichen Sitzung kann ein Plug-in-Wert instabil sein, wenn die vorläufige Schätzung von Rauschen oder Quartizität schlecht ist. Berichten Sie das gewählte \(H\), die Indexkonvention, die Pilotwerte und eine Sensitivitätsanalyse mit vertretbaren Alternativen.

Betrachten wir zur Veranschaulichung eine absichtlich kleine hypothetische Renditeserie in Basispunkten:

\[ (r_1,r_2,r_3,r_4)=(1,-1,1,-1)\ \mathrm{bp}. \]

Die Reihe dient nur zur Kontrolle der Rechnung, ist keine Marktdatenreihe und enthält viel zu wenige Renditen für eine asymptotische Bandbreitenwahl. Die Summe bei Lag null ist

\[ \Gamma_0=1^2+(-1)^2+1^2+(-1)^2=4\ \mathrm{bp}^2. \]

Die Produkte beim ersten Lag sind \((-1),(-1),(-1)\), also \(\Gamma_1=-3\ \mathrm{bp}^2\). Beim zweiten Lag sind \(r_3r_1=1\) und \(r_4r_2=1\); damit ist \(\Gamma_2=2\ \mathrm{bp}^2\).

Setzen wir nur zur Demonstration \(H=2\). Beim Parzen-Kern gilt \(k(1/2)=1-6(1/4)+6(1/8)=1/4\), während \(k(1)=0\). Somit

\[ \widehat{IV}_{RK}=4+2\left(\tfrac14\right)(-3)+2(0)(2) =2.5\ \mathrm{bp}^2. \]

Die einfache realisierte Varianz beträgt \(4\ \mathrm{bp}^2\); der gewichtete negative Term beim ersten Lag senkt den Kernschätzer in diesem Beispiel. Der zweite Lag trägt nichts bei, weil sein Parzen-Gewicht am Rand null ist. Das Ergebnis ist nichtnegativ, doch aus der Rechnung allein folgt nicht, dass es der verborgenen Variation des effizienten Kurses entspricht. Der latente Pfad wurde nicht beobachtet, kein Unsicherheitsintervall berechnet und keine Prognose oder Handelsaussage abgeleitet. Die Quadratwurzel von etwa \(1{,}58\) bp ist nur die Standardabweichungsskala für dieses hypothetische Intervall.

Das Beispiel zeigt auch, warum Bandbreite und Indexkonvention mit dem Ergebnis angegeben werden müssen. Ein anderes \(H\), eine andere Endpunktkonvention oder andere Renditen verändern Gewichte und Produkte. Die Rechnung ist reproduzierbar, weil alle Renditen, Lagsummen, Gewichte und Einheiten dargestellt sind.

Unnormierte Lagsummen können Endpunktbeobachtungen überproportional gewichten, besonders wenn der erste oder letzte aufgezeichnete Kurs einen großen Messfehler aufweist. Studien zur praktischen Anwendung von Realized Kernels behandeln lokale Mittelwerte, oft Jittering genannt, zur Reduzierung von Randeffekten. Eine verbreitete Umsetzung ersetzt einen Endpunkt vor der Renditeberechnung durch einen lokalen Mittelwert naher Beobachtungen. Fensterlänge und Behandlung eines oder beider Enden sind Implementierungsentscheidungen und sollten dokumentiert werden.

Datenbereinigung kann so wichtig sein wie die Formel. Ein fehlerhafter Tick, ein veralteter Quote, ein gekreuzter Markt, ein doppelter Zeitstempel oder ein falscher Preismaßstab erzeugt Renditen und Lag-Produkte, die in mehrere Summen eingehen. Dokumentieren Sie Preisfeld, Zeitabgleich, Sitzungsgrenzen, Umgang mit Duplikaten, Filter sowie Auktionen und Marktschließungen. Bereinigungsregeln sollten unabhängig davon festgelegt werden, ob sie das Endergebnis plausibler erscheinen lassen.

Die Anwendungsstudie zu Realized Kernels von 2009 behandelt Trade- und Quote-Daten, Randeffekte, lokale Trends und den nichtnegativen Parzen-Kern. Die praktische Lehre lautet: „rauschrobust“ bedeutet nicht „datenunabhängig“. Ein allmählicher Kursverlauf über ein kurzes Fenster, veränderte Marktfriktionen oder die Quote-Konstruktion können die Baseline-Interpretation infrage stellen. Jittering kann ein Endpunktproblem mindern, aber keine falsch ausgerichtete Serie oder fehlerhafte Beobachtung in der Stichprobenmitte korrigieren.

Die klassische Theorie setzt Annahmen über latenten Kursprozess, Sampling, Rauschen, Glattheit des Kerns und Bandbreite voraus. Einige Realized-Kernel-Konstruktionen sind robuster gegenüber breiterem seriell abhängigem Rauschen und endogenen Beobachtungszeiten als das einfache Beispiel mit unabhängigem Rauschen. Diese Robustheit gilt jedoch nur unter den jeweiligen Theoremen: Kern und Bandbreite müssen die relevanten Bedingungen erfüllen. Die Arbeit von Aït-Sahalia, Mykland und Zhang zu abhängigem Mikrostrukturrauschen verdeutlicht, warum Rauschabhängigkeit explizit behandelt werden sollte, statt anzunehmen, die Baseline-Formel decke jede Erweiterung automatisch ab.

Die Wahl des Kerns ist wichtig. Der Parzen-Kern wird häufig für einen nichtnegativen univariaten Schätzer verwendet. Flat-Top-Gewichte können andere Bias-Eigenschaften anstreben und in endlichen Stichproben negative Werte liefern. Setzen Sie nicht allein wegen der Vertrautheit einen beliebigen HAC-Kern ein: Die Realized-Kernel-Literatur erläutert, dass einige scheinbar naheliegende Varianten, darunter Bartlett in der analysierten Konstruktion, nicht dasselbe Konsistenzergebnis liefern. Ist ein Schätzer negativ, nennen Sie Kern und Finite-Sample-Regel; schneiden Sie ihn nicht stillschweigend bei null ab und bezeichnen Sie ihn nicht als negative physische Varianz.

Auch Preisproxy und Zielgröße setzen Grenzen. Sprünge können Teil der quadratischen Variation sein, Ausreißer können Produkte dominieren, unregelmäßige oder asynchrone Beobachtungen können die Zielgröße verändern und Volatilität oder Rauschen kann sich innerhalb des Intervalls ändern. Ein univariater Realized Kernel löst nicht automatisch asynchrone multivariate Daten, entfernt keine Sprünge und trennt Bid-Ask-Bounce nicht von allen anderen Ursachen serieller Abhängigkeit. Robust ist ein Schätzer innerhalb eines angegebenen Modells, nicht gegenüber jedem möglichen Datenfehler.

Ein reproduzierbarer Bericht sollte Preisserie und Sampling-Design, Beobachtungsfenster, Renditeeinheiten, Kernfunktion, maximalen Lag \(H\), Endpunktkonvention, lokale Mittelung der Endpunkte und Bereinigung nennen. Bei einer Plug-in-Bandbreite sollten die geschätzten Rausch- und Quartizitätswerte oder genügend Details zur Reproduktion angegeben werden. Erklären Sie, ob das Ergebnis eine Schätzung der integrierten Varianz, eine Sprünge einschließende quadratische Variation oder ein transformiertes Volatilitätsmaß ist.

Der Schätzer beschreibt Variation im beobachteten Intervall. Nur wenn ein separates Prognosemodell historische Messungen auf einen Zukunftshorizont überträgt und außerhalb der Stichprobe geprüft wird, wird daraus eine Volatilitätsprognose. Auch ein Spread- oder Ausführungskostenschätzer ist es nicht: Der Roll-Leitfaden zum Bid-Ask-Spread verwendet Renditeautokovarianzen, schätzt aber eine andere Größe. Der Leitfaden zu Two-Scale Realized Volatility beschreibt einen weiteren rauschrobusten Ansatz mit anderer Korrekturstruktur.

Die zentrale Frage ist nicht nur, ob ein Realized Kernel verwendet wird. Entscheidend ist, ob Kursdaten, Sampling-Schema, Zielgröße, Kern und Bandbreite zur Forschungsfrage passen und die Interpretation tragen. Eine Sensitivitätstabelle und klare Modellgrenzen machen diese Einschätzung überprüfbar. Auch eine sorgfältige Schätzung bleibt eine historische Messung mit Stichprobenunsicherheit. Sie belegt weder eine profitable Handelsregel noch das vollständige Verschwinden von Mikrostruktureffekten.