Bipower Variation: Memahami Realized Volatility yang Tahan terhadap Lompatan

Realized variance frekuensi tinggi menjumlahkan kuadrat return log intrahari. Dalam model semimartingal yang sesuai, RV konvergen ke variasi kuadratik ketika interval sampling makin kecil. Jika lintasan harga memiliki difusi kontinu dan lompatan, batas tersebut mencakup varians terintegrasi serta jumlah kuadrat lompatan. Jadi, RV berguna untuk mengukur total variasi ex post, tetapi tidak menunjukkan sendiri bagian yang berasal dari pergerakan kontinu dan bagian yang berasal dari diskontinuitas.

Bipower variation menggunakan komponen dasar yang berbeda: alih-alih menguadratkan satu return, BV mengalikan besar dua return yang berdekatan. Dalam model limit, lompatan terisolasi biasanya masuk ke satu interval return, sedangkan return di sebelahnya umumnya merupakan kenaikan difusi kecil. Saat grid sampling dipersempit, hasil kali return yang mengandung lompatan dengan return tetangganya mengecil; hasil kali return difusi yang berdekatan terus mengakumulasi variasi kontinu. Barndorff-Nielsen dan Shephard memperkenalkan penggunaan power variation dan bipower variation untuk memisahkan varians terintegrasi dari variasi akibat lompatan langka di bawah model tertentu (Barndorff-Nielsen & Shephard, 2004).

Sasarannya adalah varians terintegrasi historis \(\int_0^T \sigma_t^2\,dt\), bukan ramalan volatilitas periode berikutnya. Panduan perhitungan realized volatility menjelaskan ukuran berbasis return kuadrat; artikel ini membahas mengapa hasil kali return absolut yang berdekatan bereaksi berbeda terhadap lompatan.

Pertimbangkan proses log harga selama jendela tetap:

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

dengan suku pertama setelah \(X_0\) sebagai drift variasi terbatas, \(\sigma_t\) sebagai volatilitas difusi sesaat, dan \(J_t\) sebagai komponen lompatan. Variasi kuadratik proses ini terurai menjadi

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

dengan \(\Delta X_t=X_t-X_{t-}\). Komponen pertama adalah varians terintegrasi kontinu dan yang kedua adalah variasi lompatan. Kontribusi lompatan adalah kuadrat ukurannya, baik lompatan positif maupun negatif. Panduan variasi kuadratik dalam keuangan menjelaskan perbedaan ukuran lintasan ini dari varians sekumpulan harga statis.

Untuk \(n\) return log intrahari \(r_i=X_{i\Delta}-X_{(i-1)\Delta}\), dengan \(\Delta=T/n\), realized variance adalah

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

Ketika jarak waktu sampling mengecil di bawah syarat semimartingal yang lazim, \(RV_n\) mengestimasi seluruh variasi kuadratik, termasuk lompatan. Karena itu, laporan volatilitas yang menyebut RV sebagai “volatilitas kontinu” tanpa asumsi tidak ada lompatan mencampur dua sasaran berbeda.

Misalkan \(Z\) berdistribusi normal standar dan \(\mu_1=E|Z|=\sqrt{2/\pi}\). Salah satu konvensi umum untuk realized bipower variation adalah

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

Faktor \(\pi/2\) menormalkan hasil kali kenaikan Gaussian absolut ke skala varians kontinu. Faktor \(n/(n-1)\) adalah koreksi endpoint sampel kecil yang dipakai dalam salah satu konvensi umum; beberapa definisi tidak memakainya karena nilainya mendekati satu saat \(n\) membesar. Sebutkan konvensi yang dipakai ketika membandingkan hasil.

Jumlah tersebut memakai pasangan berurutan yang saling tumpang tindih: return 2 dipasangkan dengan return 1, return 3 dengan return 2, dan seterusnya. BV tidak memberi label tiap observasi sebagai “lompatan” atau “bukan lompatan”. Hasil asimtotiknya bergantung pada fakta bahwa, untuk lompatan beraktivitas terbatas, hanya sejumlah terbatas lingkungan kecil yang memuat lompatan saat grid diperhalus; sementara hasil kali return difusi berdekatan menghasilkan limit varians terintegrasi kontinu. Di bawah asumsinya, teori limit mengizinkan perilaku volatilitas stokastik yang luas, termasuk dependensi mirip leverage (Barndorff-Nielsen et al., 2006).

<!-- learn:illustration -->

Misalkan satu sesi hipotetis memiliki tujuh return log dalam satuan basis point:

Anggap return keempat mengandung satu lompatan hipotetis sebesar \(+12\) bp, dengan pergerakan kontinu yang dapat diabaikan pada interval tersebut. Maka

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

Jumlah enam hasil kali absolut yang berdekatan adalah \(4.60\ \mathrm{bp}^2\). Dengan konvensi koreksi endpoint di atas,

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

Kuadrat lompatan yang disisipkan adalah \(12^2=144\ \mathrm{bp}^2\). Selisihnya tidak persis 144: hasil kali di dekat lompatan mencakup suku \(12\times0.1\), dan sampel tujuh return juga memiliki variasi sampel kecil biasa. Contoh buatan ini membuat aritmetikanya bisa diperiksa; ini bukan data pasar teramati dan bukan klaim bahwa selisih pada jendela pendek akan memulihkan variasi lompatan secara akurat.

Hasil konsistensi standar bersifat kondisional. Dalam semimartingal volatilitas stokastik kontinu dengan jumlah lompatan terbatas pada jendela, BV konvergen ke varians terintegrasi kontinu ketika interval pengamatan makin rapat dan tanpa noise mikrostruktur. Dalam kerangka yang sama, \(RV_n-BV_n\) konvergen ke jumlah kuadrat lompatan. Ini pemisahan asimtotik, bukan jaminan untuk setiap seri return atau setiap grid terbatas.

Syarat aktivitas terbatas itu penting. Jika ada banyak lompatan kecil atau aktivitas lompatan tak hingga, variasi lompatan dapat memberi kontribusi berarti pada hasil kali return absolut berdekatan; hasil BV standar belum tentu hanya mengisolasi komponen Brownian. Perluasan, pemangkasan, atau uji lompatan lain mungkin diperlukan, masing-masing dengan asumsi sendiri. Aït-Sahalia dan Jacod mengembangkan uji lompatan frekuensi tinggi yang berbeda dengan cakupan semimartingal lebih luas; ini kerangka pengujian alternatif, bukan bukti bahwa BV biasa menangani semua proses lompatan (Aït-Sahalia & Jacod, 2009).

Desain observasi juga penting. Return harus mengacu pada jendela yang sama dan seri harga yang dapat dipertanggungjawabkan. Interval jarang, kuotasi usang, perdagangan asinkron, jeda semalam, dan lompatan dekat batas sesi melemahkan interpretasi grid halus. Sampling yang lebih rapat hanya membantu jika observasi mendekati harga efisien laten, bukan menambahkan lebih banyak noise mikrostruktur.

Dalam model asimtotik bebas noise dengan lompatan beraktivitas terbatas, RV dikurangi BV mengestimasi variasi lompatan. Pada sampel terbatas, selisihnya bisa negatif meskipun jumlah kuadrat lompatan tidak mungkin negatif. Hal itu terjadi karena RV dan BV adalah estimasi bising untuk limit yang berbeda. Jangan diam-diam mengubah nilai negatif menjadi nol: pemangkasan mengubah perilaku sampling estimator dan harus dilaporkan sebagai aturan eksplisit.

Uji statistik menjawab pertanyaan yang berbeda: apakah gap teramati besar dibanding ketidakpastian sampling di bawah hipotesis nol tanpa lompatan? Barndorff-Nielsen dan Shephard menurunkan uji asimtotik berbasis realized power variation dan bipower variation. Versi yang dapat diterapkan mengestimasi quarticity yang relevan, sering memakai ukuran multipower, alih-alih memperlakukan selisih mentah sebagai ambang signifikansi (Barndorff-Nielsen & Shephard, 2006). Threshold bipower variation kemudian dikembangkan untuk mengurangi distorsi lompatan dalam sampel terbatas dan mendukung inferensi pada alternatif yang mengandung lompatan (Corsi, Pirino & Reno, 2010).

Lompatan yang terdeteksi tetap merupakan klasifikasi statistik berbasis model, pada frekuensi sampling dan tingkat signifikansi yang dipilih. Hasil itu tidak mengidentifikasi penyebab berita, tidak membuktikan bahwa trader dapat bertransaksi pada harga tercatat, dan tidak membuktikan strategi yang menguntungkan.

BV klasik bukan estimator frekuensi tinggi yang tahan terhadap noise. Jika harga teramati \(Y_{t_i}=X_{t_i}+\epsilon_{t_i}\), bid-ask bounce, pembulatan, dan pembaruan kuotasi menambahkan noise ke setiap return. Karena BV mengalikan return absolut yang berdekatan, noise tidak hilang hanya karena rumusnya memakai produk bertetangga. Pada sampling yang sangat rapat, kontribusi noise dapat menjadi lebih penting.

Ini masalah yang berbeda dari lompatan. Realized kernel dan two-scale realized variance menargetkan estimasi volatilitas dengan noise mikrostruktur melalui konstruksi berbeda; keduanya tidak dapat dipertukarkan dengan BV biasa, dan tahan noise tidak berarti tahan lompatan. Panduan realized kernel menjelaskan salah satu metode yang berfokus pada noise.

Jika pertanyaan penelitian menuntut penanganan noise dan lompatan sekaligus, gunakan metode yang diturunkan untuk kedua fitur tersebut dan nyatakan syaratnya. Podolskij dan Vetter mengembangkan modulated bipower variation untuk observasi bising serta konstruksi yang tahan terhadap lompatan beraktivitas terbatas; ini estimator yang dimodifikasi, bukan rumus tanpa koreksi di atas (Podolskij & Vetter, 2009). Alternatif praktis dapat mencakup sampling yang lebih jarang, pre-averaging, ukuran berbasis threshold, atau estimator tahan noise. Setiap pilihan mengubah estimand, parameter penyetelan, atau perhitungan ketidakpastian.

Dengan asumsi yang sesuai, BV mengestimasi komponen historis varians terintegrasi kontinu. RV mengestimasi variasi kuadratik total pada lintasan dengan lompatan. Selisihnya dapat mengestimasi variasi kuadratik lompatan secara asimtotik. Tak satu pun otomatis menjadi ramalan, batas risiko, atau sinyal masuk. Model peramalan dapat menggunakan RV dan BV masa lalu sebagai prediktor terpisah, tetapi nilainya perlu diuji di luar sampel dengan mengendalikan waktu ketersediaan informasi dan biaya transaksi.

Akar kuadrat estimasi varians baru menjadi ukuran volatilitas setelah jendela waktu dan satuannya jelas. Jika return dalam basis point, varians bersatuan bp² dan akar kuadratnya bp untuk jendela sampling tersebut. Annualisasi memerlukan asumsi penskalaan waktu yang dinyatakan; mengalikan dengan faktor kalender tidak menghilangkan lompatan, noise mikrostruktur, atau pilihan pengukuran semalam. Panduan risiko lompatan membahas alasan perubahan harga diskret berpengaruh pada eksposur lindung nilai, tetapi tidak mengubah dekomposisi BV historis menjadi instruksi trading.

Sebutkan aset, input harga (transaksi, kuotasi, atau titik tengah), definisi return, frekuensi sampling, batas sesi, serta penanganan interval semalam dan observasi yang hilang. Laporkan rumus RV dan BV, konvensi normalisasi sampel kecil, jumlah return, dan satuannya. Jika menghitung \(RV-BV\), tunjukkan selisih mentah dan nyatakan apakah ambang, pemangkasan, atau pembatasan ke nilai nonnegatif diterapkan.

Jelaskan model yang mendukung interpretasi: volatilitas stokastik kontinu dengan lompatan beraktivitas terbatas, atau model lompatan lebih luas dengan estimator berbeda. Ungkapkan koreksi noise mikrostruktur, statistik uji lompatan, estimasi quarticity, tingkat signifikansi, serta penyesuaian pengujian berganda. Sertakan ukuran ketidakpastian bersama dekomposisi.

Kegunaan bipower variation adalah hasil kali return absolut berdekatan mempertahankan limit variasi kontinu sambil mengurangi dampak asimtotik lompatan terisolasi beraktivitas terbatas. Batasnya harus tetap disertakan: rumus standar bukan filter lompatan universal, bukan uji signifikansi, dan bukan koreksi noise mikrostruktur. Cantumkan batasan tersebut dalam penggunaan untuk riset atau analisis risiko.