बाइपावर वैरिएशन: jump-robust realized volatility की व्याख्या

High-frequency realized variance intraday log returns के squares जोड़ती है। उपयुक्त semimartingale model में sampling interval घटने पर RV quadratic variation में converge करती है। यदि price path में continuous diffusion और jumps दोनों हों, तो उस limit में integrated variance और squared jumps का योग शामिल होता है। इसलिए RV ex-post कुल variation मापती है, लेकिन अकेले यह नहीं बताती कि कितना हिस्सा continuous movement से और कितना discontinuities से आया।

Bipower variation अलग building block उपयोग करती है: एक return को square करने के बजाय, यह पड़ोसी दो returns के magnitudes को गुणा करती है। Limit model में isolated jump आम तौर पर एक return interval में आता है, जबकि पड़ोसी return अक्सर छोटा diffusion increment होता है। Grid finer होने पर jump वाले return और उसके neighbor का product छोटा होता जाता है; पास-पास के diffusion returns के products continuous variation जमा करते रहते हैं। तय model assumptions के अंतर्गत integrated variance और rare-jump variation को अलग करने के लिए power और bipower variation का उपयोग Barndorff-Nielsen और Shephard ने प्रस्तुत किया (Barndorff-Nielsen & Shephard, 2004)।

लक्ष्य ex-post integrated variance, \(\int_0^T \sigma_t^2\,dt\), है; अगले समय की volatility forecast नहीं। Realized volatility calculation guide squared-return measure समझाती है; यहाँ बताया गया है कि adjacent absolute-return products का jump पर response अलग क्यों होता है।

एक निश्चित window में log-price process मानें:

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

जहाँ \(X_0\) के बाद पहला term finite-variation drift, \(\sigma_t\) instantaneous diffusion volatility, और \(J_t\) jump component है। इस process की quadratic variation इस तरह टूटती है:

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

जहाँ \(\Delta X_t=X_t-X_{t-}\)। पहला हिस्सा continuous integrated variance है और दूसरा jump variation। Jump positive हो या negative, उसका योगदान उसके size का square है। Quadratic variation in finance guide बताती है कि यह path quantity स्थिर price levels के dataset की variance से क्यों अलग है।

यदि \(n\) intraday log returns \(r_i=X_{i\Delta}-X_{(i-1)\Delta}\) हों, जहाँ \(\Delta=T/n\), तो realized variance है:

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

सामान्य semimartingale conditions में intervals छोटे होने पर \(RV_n\) jumps सहित पूरी quadratic variation का अनुमान लगाती है। इसलिए no-jump assumption के बिना RV को “continuous volatility” कहना दो अलग targets को मिला देता है।

मानें कि \(Z\) standard normal है और \(\mu_1=E|Z|=\sqrt{2/\pi}\)। Realized bipower variation का एक प्रचलित convention है:

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

\(\pi/2\) factor दो absolute Gaussian increments के product को continuous-variance scale पर normalize करता है। \(n/(n-1)\) factor छोटी sample में endpoints के लिए एक सामान्य convention का correction है; कुछ definitions इसे छोड़ती हैं क्योंकि \(n\) बढ़ने पर यह एक के करीब जाता है। नतीजे तुलना करते समय इस्तेमाल किया convention बताएं।

इस sum में overlapping adjacent pairs हैं: return 2 को return 1 से, return 3 को return 2 से, और इसी तरह। यह हर observation को “jump” या “no jump” के रूप में classify नहीं करती। इसके asymptotic result का आधार यह है कि finite-activity jump model में grid finer होने पर केवल सीमित संख्या में छोटे neighborhoods में jump होता है, जबकि adjacent diffusion-return products continuous integrated-variance limit बनाते हैं। Limit theory अपनी assumptions के अंतर्गत leverage-type dependence सहित stochastic volatility के व्यापक behavior की अनुमति देती है (Barndorff-Nielsen et al., 2006)।

<!-- learn:illustration -->

मानें कि एक hypothetical session में basis points में सात log returns हैं:

मानें कि चौथे return में एक hypothetical \(+12\) bp jump है और उस bin में continuous move नगण्य है। तब

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

छह adjacent absolute-return products का योग \(4.60\ \mathrm{bp}^2\) है। ऊपर दिए endpoint-corrected convention के अनुसार:

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

डाले गए jump का square \(12^2=144\ \mathrm{bp}^2\) है। अंतर ठीक 144 नहीं है: jump के पास के products में \(12\times0.1\) terms आते हैं, और सात returns वाली छोटी sample में सामान्य finite-sample variation भी होती है। यह छोटा बनाया हुआ उदाहरण arithmetic को जाँचने योग्य बनाता है; यह observed market data नहीं और न ही दावा करता है कि छोटी window का अंतर jump variation ठीक-ठीक वापस पा लेगा।

मानक consistency result conditional है। Window में finite jumps वाले continuous stochastic-volatility semimartingale में, और market microstructure noise के बिना लगातार finer intervals पर observation करने पर, BV continuous integrated variance में converge करती है। उसी setup में \(RV_n-BV_n\) squared jumps के योग में converge करता है। यह asymptotic separation है, हर return series या finite grid की guarantee नहीं।

Finite-activity condition मायने रखती है। बहुत सारे छोटे jumps या infinite jump activity होने पर jump variation adjacent absolute-return products में महत्वपूर्ण योगदान दे सकती है; standard BV result सिर्फ Brownian component को अलग न कर पाए। Extensions, truncation या अलग jump tests की आवश्यकता हो सकती है, और हर तरीके की अपनी assumptions हैं। Aït-Sahalia और Jacod semimartingale processes के व्यापक दायरे के लिए एक अलग high-frequency jump test विकसित करते हैं; यह वैकल्पिक testing framework है, इस बात का प्रमाण नहीं कि ordinary BV हर jump process को संभालती है (Aït-Sahalia & Jacod, 2009)।

Observation design भी महत्वपूर्ण है। Returns एक ही window और एक बचाव योग्य price series के होने चाहिए। Sparse intervals, stale quotes, asynchronous trading, overnight gaps, और session boundary के पास jumps fine-grid interpretation को कमजोर करते हैं। अधिक frequent sampling तभी मदद करती है जब observations latent efficient price के करीब हों, न कि अतिरिक्त market noise जोड़ें।

Finite-activity, noise-free asymptotic model में RV minus BV jump variation estimate करती है। Finite sample में अंतर negative हो सकता है, जबकि squared-jump variation negative नहीं हो सकती। ऐसा इसलिए कि RV और BV अलग-अलग limits के noisy estimators हैं। Negative values को चुपचाप zero पर clip न करें: clipping estimator के sampling behavior को बदलती है और इसे स्पष्ट rule के रूप में बताना चाहिए।

Statistical test एक अलग सवाल पूछती है: no-jump null के अंतर्गत observed gap अपनी sampling uncertainty की तुलना में बड़ा है या नहीं? Barndorff-Nielsen और Shephard realized power variation तथा bipower variation पर आधारित asymptotic tests निकालते हैं। Feasible versions raw difference को significance threshold मानने के बजाय संबंधित quarticity estimate करती हैं, अक्सर multipower measures के माध्यम से (Barndorff-Nielsen & Shephard, 2006)। बाद में threshold bipower variation को finite-sample jump distortion कम करने और jump alternatives के अंतर्गत inference के लिए विकसित किया गया (Corsi, Pirino & Reno, 2010)।

पहचाना गया jump भी चुनी गई sampling frequency और significance level पर model-based statistical classification है। इससे news का कारण पता नहीं चलता, यह सिद्ध नहीं होता कि trader recorded price पर execute कर सकता था, और न ही profitable strategy प्रमाणित होती है।

Classical BV noise-robust high-frequency estimator नहीं है। Observed price \(Y_{t_i}=X_{t_i}+\epsilon_{t_i}\) में bid–ask bounce, rounding और quote updates हर return में noise जोड़ते हैं। BV adjacent absolute returns गुणा करती है, इसलिए केवल adjacent products इस्तेमाल करने से noise समाप्त नहीं होती। बहुत fine sampling पर noise contribution और महत्वपूर्ण हो सकती है।

यह jumps से अलग समस्या है। Realized kernels और two-scale realized variance अलग constructions के जरिए microstructure noise के साथ volatility estimate करती हैं; वे ordinary BV के साथ interchangeable नहीं हैं, और noise robustness का अर्थ jump robustness नहीं। Realized-kernel guide noise-focused तरीकों में से एक समझाती है।

यदि शोध प्रश्न में noise और jumps दोनों को संभालना है, तो दोनों विशेषताओं के लिए निकली विधि इस्तेमाल करें और उसकी assumptions बताएं। Podolskij और Vetter noisy observations के लिए modulated bipower variation विकसित करते हैं और finite-activity jumps के प्रति robust versions बनाते हैं; यह modified estimator है, ऊपर दिया unadjusted formula नहीं (Podolskij & Vetter, 2009)। व्यावहारिक विकल्पों में कम frequent sampling, pre-averaging, threshold measures या noise-robust estimator शामिल हो सकते हैं। हर विकल्प target quantity, tuning choices या uncertainty calculation बदलता है।

Assumptions पूरी होने पर BV historical continuous integrated-variance component estimate करती है। Jump वाले path की total quadratic variation को RV estimate करती है। उनका अंतर asymptotically jump quadratic variation का अनुमान दे सकता है। इनमें से कोई भी quantity अपने आप forecast, risk limit या entry signal नहीं है। Forecasting model पुराने RV और BV को अलग predictors के रूप में इस्तेमाल कर सकता है, लेकिन predictive value को information timing और trading costs नियंत्रित करके out-of-sample जाँचना चाहिए।

Variance estimate का square root volatility तभी है जब उसकी window और unit स्पष्ट हों। Returns basis points में हों, तो variance bp² और उसका square root sampled window के लिए bp में होगा। Annualization में time-scaling assumption स्पष्ट चाहिए; calendar factor से गुणा करने पर jumps, microstructure noise या overnight measurement choices दूर नहीं होते। Jump-risk guide बताती है कि discontinuous price changes hedge exposure के लिए क्यों मायने रखते हैं, लेकिन वह historical BV decomposition को trading instruction नहीं बनाती।

Asset, price input (trade, quote या midpoint), return definition, sampling frequency, session boundaries, overnight intervals और missing observations का treatment बताएं। RV और BV formulas, finite-sample normalization convention, returns की संख्या और units दर्ज करें। यदि \(RV-BV\) निकालें, तो raw difference दिखाएं और बताएं कि threshold, truncation या nonnegative clipping लागू किया गया था या नहीं।

जिस model से interpretation निकलती है, उसे स्पष्ट करें: finite-activity jumps वाली continuous stochastic volatility, या अलग estimator वाला broader jump model। Microstructure-noise correction, jump-test statistic, quarticity estimate, significance level और multiple-testing adjustment हो तो बताएं। Decomposition के साथ uncertainty measure भी दें।

Bipower variation उपयोगी है क्योंकि adjacent absolute-return products continuous-variation limit बनाए रखते हुए isolated finite-activity jump का asymptotic effect घटाते हैं। इसकी सीमाएँ भी साथ रखें: standard formula universal jump filter, significance test या microstructure-noise correction नहीं है। Risk analysis या research में उपयोग करते समय ये सीमाएँ बताएं।