Uji Lee–Mykland: Mendeteksi Lompatan Harga Intrahari

Realized variance menjumlahkan kuadrat return intrahari sepanjang sesi, sementara bipower variation dapat mengestimasi komponen variasi kontinu dengan asumsi tertentu. Keduanya merangkum periode dan tidak menunjukkan kapan gerakan besar terjadi. Metode Lee–Mykland menilai return per interval dan membandingkannya dengan volatilitas dari return yang tepat mendahuluinya.

Pembedaan ini berguna untuk studi peristiwa, pemodelan volatilitas, dan waktu lompatan. Return 1% bisa luar biasa di pasar tenang namun biasa di sesi volatil. Standardisasi dengan volatilitas lokal memperhitungkan skala yang berubah. Metode ini diperkenalkan untuk menemukan waktu kedatangan lompatan intrahari dan mengestimasi ukuran terealisasinya; metode ini tidak membuktikan penyebab atau bahwa gerakan dapat diperdagangkan (Lee & Mykland, 2008).

Hipotesis nol menyatakan bahwa pada interval tertentu tidak ada lompatan, di bawah komponen kontinu yang memenuhi syarat keteraturan. Hipotesis ini tidak menyatakan return harus nol. Lintasan kontinu dapat menghasilkan return besar, khususnya ketika volatilitas tinggi, sehingga batas berdasarkan ukuran return saja tidak cukup.

Misalkan \(P_i\) adalah harga pada grid teratur di waktu \(t_i\). Return logaritmik interval \(i\) ialah

\[ r_i=\log(P_i/P_{i-1}). \]

Gunakan kolom harga dan grid yang konsisten. Harga transaksi, titik tengah bid-ask, atau proksi lain dapat dipakai jika didokumentasikan; perubahan proksi dapat mengubah return dan label lompatan. Tangani secara eksplisit pembukaan/penutupan sesi, lelang, penghentian perdagangan, serta kuotasi hilang. Jangan campur return penutupan-ke-pembukaan dengan interval intrahari biasa tanpa penjelasan.

Sampling teratur diperlukan karena skala lokal dan ambang ekstrem diturunkan untuk skema observasi tertentu. Untuk waktu tak teratur, pilih aturan sinkronisasi atau sampling yang dapat dipertanggungjawabkan dan jelaskan informasi yang hilang. Rumus ini tidak memperbaiki kuotasi usang, pasar silang, cap waktu salah, atau kesalahan pencatatan. Harga dari venue atau aset berbeda juga tidak boleh dianggap serempak sebelum keselarasan waktunya diperiksa.

Uji bekerja pada return yang diamati, bukan harga laten. Teori aslinya memakai model semimartingal frekuensi tinggi yang syaratnya belum tentu berlaku bagi setiap aliran kuotasi atau venue aset digital. Catat sumber data, zona waktu, grid, sesi, dan filter agar seri dapat direkonstruksi.

Pada waktu kandidat \(t_i\), estimasikan varians lokal dari return sebelum \(r_i\):

\[ \widehat{\sigma}_i^2 = \frac{1}{K-2} \sum_{j=i-K+2}^{i-1}|r_j|\,|r_{j-1}|, \qquad \widehat{\sigma}_i=\sqrt{\widehat{\sigma}_i^2}. \]

\(K\) menentukan ukuran jendela bergulir. Jumlah memuat hasil kali nilai absolut return berurutan dan tidak menyertakan kandidat \(r_i\). Bentuk bipower variation membantu agar lompatan terisolasi sebelumnya tidak mendominasi skala untuk interval berikutnya. Literatur volatilitas terealisasi menjelaskan bagaimana jumlah dan hasil kali return frekuensi tinggi menangkap ciri variasi kuadratik berbeda (Barndorff-Nielsen & Shephard, 2002).

Ini skala lokal, bukan ramalan volatilitas seluruh sesi. Jendela pendek cepat beradaptasi tetapi bisa tidak stabil; jendela panjang lebih mulus tetapi lambat merespons perubahan. Argumen asimtotik menaikkan \(K\) ketika interval sampling mengecil, namun membuatnya tetap singkat relatif terhadap horizon. Untuk sampel terbatas, dokumentasikan pilihan dan uji sensitivitas; tidak ada \(K\) universal bagi semua aset, grid, dan rezim.

Tetapkan cara menangani estimasi nol atau hampir nol. Penyebut sangat kecil dapat membuat satu tick kecil menghasilkan statistik ekstrem. Jangan menggantinya diam-diam dengan batas arbitrer: laporkan aturan, periksa kuotasi, dan tunjukkan apakah alternatif yang wajar mengubah interval yang ditandai.

Statistik lompatan lokal adalah

\[ L_i=\frac{r_i}{\widehat{\sigma}_i}. \]

Tandanya mempertahankan arah return, sedangkan magnitudonya mengukur gerakan relatif terhadap skala sebelumnya. Penyebut menggunakan hasil kali absolut return berurutan tanpa konstanta normalisasi bipower konvensional. Dalam asimtotik tanpa lompatan, \(L_i\) kira-kira \(Z_i/c\), dengan \(Z_i\) normal standar dan \(c=E|Z_i|=\sqrt{2/\pi}\). Karena itu, memperlakukan \(L_i\) sebagai normal standar memberi distribusi acuan yang salah.

Nilai \(|L_i|\) besar hanya menandai kandidat. Uji membandingkannya setelah memperhitungkan skema sampling, jendela, dan banyaknya interval yang dicari. Statistik positif menunjukkan return naik dan statistik negatif menunjukkan return turun. Tanda tidak mengungkap penyebab ekonomi atau membedakan lompatan, gerakan kontinu, dan kesalahan data.

Gambar berikut membandingkan satu kandidat return dengan skala lokal dari interval sebelumnya. Ini konsep, bukan grafik harga atau kejadian terdeteksi.

<!-- learn:illustration --> <!-- Text-free concept: one sharp return pulse rises above a quiet sequence while a trailing window forms a soft local-volatility envelope; no prices, timestamps, thresholds, or detected events are shown. -->

Pemindaian \(n\) interval dengan ambang titik per titik dapat menimbulkan alarm palsu karena banyak observasi diperiksa. Lee–Mykland mengalibrasi maksimum statistik absolut selama horizon. Dengan \(c=\sqrt{2/\pi}\), definisikan

\[ C_n= \frac{\sqrt{2\log n}}{c} - \frac{\log(\pi)+\log(\log n)} {2c\sqrt{2\log n}}, \qquad S_n=\frac{1}{c\sqrt{2\log n}}. \]

Di bawah kondisi asimtotik tanpa lompatan pada makalah,

\[ \frac{\max_{1\le i\le n}|L_i|-C_n}{S_n} \]

mengikuti distribusi limit Gumbel standar, dengan \(F(x)=\exp(-e^{-x})\). Untuk signifikansi sesi \(\alpha\), nilai kritisnya

\[ \beta_\alpha=-\log[-\log(1-\alpha)]. \]

Tandai interval jika \((|L_i|-C_n)/S_n>\beta_\alpha\). Kalibrasi ini mencakup pencarian antarseluruh interval dalam horizon tersebut, tetapi tidak otomatis mengoreksi pemindaian ulang pada banyak aset, hari, grid, atau variasi model. Perbandingan tambahan membutuhkan rancangan dan pengungkapan tersendiri.

Misalkan tiga return sebelum kandidat adalah \(-0.40\%\), \(+0.30\%\), dan \(-0.20\%\). Gunakan \(K=4\) hanya agar hitungan ringkas:

\[ \widehat{\sigma}_i^2 = \frac{|0.30||-0.40|+|-0.20||0.30|}{2} = 0.09\;(\%)^2, \qquad \widehat{\sigma}_i=0.30\%. \]

Jika return berikutnya \(+1.20\%\), \(L_i=1.20/0.30=4\). Return itu empat kali skala lokal ilustratif, tetapi hasil ini belum menyatakan uji menolak.

Untuk sesi contoh dengan \(n=78\) interval, rumus asimtotik memberi \(C_n\approx3.14\) dan \(S_n\approx0.424\). Pada signifikansi sesi 1%, \(\beta_\alpha\approx4.60\), sehingga ambang sekitar \(3.14+0.424(4.60)=5.10\). Nilai 4 di bawah ambang, jadi interval tidak ditandai pada tingkat itu. Semua angka hipotetis dan pendekatan maksimum mungkin kasar pada sampel ini. Jendela kecil \(K=4\) hanya contoh hitungan, bukan saran setelan.

Contoh ini menunjukkan bahwa “empat standar deviasi” bukan uraian lengkap keputusan Lee–Mykland. Skala acuan, normalisasi asimtotik, jendela, jumlah interval, dan signifikansi semuanya memengaruhi ambang. Laporkan semuanya bersama jumlah lompatan atau daftar peristiwa.

Grid lebih rapat secara teori memberi resolusi waktu lebih baik, tetapi juga menangkap noise kuotasi, diskretisasi harga, dan ketidakcocokan waktu. Grid lebih jarang menghaluskan variasi singkat tetapi dapat menggabungkan lompatan dengan return kontinu di sekitarnya atau menyembunyikan beberapa gerakan dalam satu interval. Pilihan grid mengubah apa yang dapat dideteksi dan kecocokan asumsi dengan data.

Jendela \(K\) terkait dengan grid. Terlalu sedikit return sebelumnya membuat estimasi bipower lokal tidak stabil; terlalu banyak dapat mencampur rezim volatilitas dan mengaburkan makna “lokal”. Laporkan \(K\) sebagai jumlah observasi dan waktu, jelaskan reset pada batas sesi, dan tunjukkan perubahan daftar peristiwa pada alternatif yang masuk akal. Jangan mengadopsi saran jendela dari pasar atau frekuensi lain tanpa pemeriksaan.

Konfigurasi Lee–Mykland standar bukan solusi umum untuk noise mikrostruktur. Pre-averaging dan metode noise-aware lain mengubah estimasi return atau volatilitas serta memerlukan inferensi yang sesuai; keduanya bukan filter siap pakai (Aït-Sahalia, Jacod & Li, 2012). Panduan pre-averaging dan panduan volatilitas two-scale membahas dua pendekatan untuk harga frekuensi tinggi yang bising.

Return yang ditandai sulit dijelaskan oleh hipotesis nol lintasan kontinu pada ambang yang digunakan. Itu bukan konfirmasi bahwa pengumuman, kegagalan bursa, likuidasi berantai, atau penyebab tertentu memicu gerakan. Bandingkan waktu dengan data peristiwa terverifikasi, periksa transaksi dan kuotasi, lalu lihat apakah gerakan berlanjut. Pisahkan analisis penyebab dari hasil uji.

Prosedur ini berbeda dari perbandingan harian realized variance dan bipower variation: Lee–Mykland menemukan interval relatif terhadap volatilitas lokal, sedangkan selisih ukuran harian mengestimasi variasi lompatan agregat dengan asumsi lain. Panduan bipower variation dan panduan realized volatility membahas ukuran periode tersebut. Uji power variation Aït-Sahalia dan Jacod menguji keberadaan lompatan pada lintasan diskret dengan konstruksi berbeda. Target dan asumsinya berbeda, sehingga hasil yang sama atau berbeda bukan validasi langsung atas daftar Lee–Mykland.

Dalam riset strategi, label lompatan adalah masukan analisis, bukan instruksi beli atau jual. Backtest perlu memperhitungkan kapan sinyal tersedia, spread, slippage, latensi, jendela peristiwa tumpang tindih, dan evaluasi di luar sampel. Tetapkan tujuan risiko atau kerugian dan bandingkan dengan tolok ukur. Return historis yang ditandai tidak menunjukkan bahwa peristiwa berikutnya dapat diprediksi atau diperdagangkan dengan untung.