Estimator Realized Kernel: Mengukur Volatilitas dengan Noise Mikrostruktur

Tanpa noise, menjumlahkan kuadrat return intrahari merupakan cara wajar untuk mengestimasi variasi pada interval yang diamati. Namun, harga transaksi atau kuotasi dapat memuat bid–ask bounce, diskretisasi harga, latensi, atau kesalahan pencatatan. Selisih dua harga yang berisik membawa kedua kesalahan itu ke return; return yang berdekatan berbagi satu kesalahan dengan tanda berlawanan. Karena itu, autokovarians serial return mengandung informasi tentang noise observasi.

Realized variance biasa hanya memakai hasil kali return pada lag nol, yaitu menjumlahkan return kuadrat. Pada frekuensi sampling sangat tinggi, penjumlahan itu dapat mengakumulasi noise lebih cepat daripada menangkap gerakan baru harga laten. Realized kernel menggunakan suku lag nol ditambah autokovarians berbobot pada lag positif dan negatif. Dengan asumsi dan pertumbuhan bandwidth yang sesuai, suku nonnol membantu mengimbangi efek utama noise sambil mempertahankan variasi harga efisien.

Barndorff-Nielsen, Hansen, Lunde, dan Shephard mengembangkan realized kernel untuk variasi ex post ketika ada friksi pasar dalam artikel Econometrica asli mereka. Metode ini merupakan perhitungan varians jangka panjang yang diberi bobot dengan cermat, bukan anjuran untuk memakai setiap tick tanpa memeriksa data. Untuk tolok ukur frekuensi tinggi yang lebih sederhana, lihat panduan perhitungan realized volatility. Artikel ini membahas koreksi kernel dan pilihan penerapannya.

Misalkan \(X_t\) adalah log harga efisien laten dan log harga yang tercatat pada waktu \(t_i\) adalah \[ Y_{t_i}=X_{t_i}+\epsilon_{t_i}, \] dengan \(\epsilon_{t_i}\) sebagai noise mikrostruktur pasar. Tolok ukur umum menganggap harga laten sebagai proses kontinu dengan laju varians lokal \(\sigma_t^2\). Target pada interval tetap \([0,T]\) adalah \[ IV_T=\int_0^T \sigma_t^2\,dt. \]

Derivasi paling sederhana mengasumsikan noise bermean nol, independen sepanjang waktu, independen dari proses harga efisien, dan memiliki varians stabil. Asumsi ini memudahkan kita melihat sumber koreksi. Harga transaksi dan kuotasi nyata dapat menyimpang: noise dapat berkorelasi serial, berubah menurut waktu, terkait dengan harga efisien, atau dipengaruhi cara waktu observasi dipilih.

Jika proses laten mengalami lompatan, variasi kuadratik juga mencakup kuadrat lompatan. Apakah itu target yang diinginkan bergantung pada model dan pertanyaan riset. Derivasi harga kontinu menargetkan varians terintegrasi; jangan menyebut realized kernel memisahkan varians kontinu dari lompatan kecuali ditambahkan konstruksi yang tahan terhadap lompatan. Panduan variasi kuadratik menjelaskan perbedaan antara varians terintegrasi dan variasi total lintasan.

Kerangka ini menghasilkan estimasi untuk interval yang sudah selesai. Ia tidak memulihkan harga laten secara tepat, meramal interval berikutnya, atau menunjukkan harga tempat transaksi dapat dieksekusi. Konvensi data frekuensi tinggi juga perlu dicatat: transaksi, titik tengah kuotasi, atau proksi harga lain dapat menghasilkan seri return dan sifat noise yang berbeda.

Untuk \(n\) return teramati \(r_i=Y_{t_i}-Y_{t_{i-1}}\), definisikan jumlah autokovarians lag-\(h\) yang tidak dinormalisasi: \[ \Gamma_h=\sum_{i=h+1}^{n} r_i r_{i-h}, \qquad \Gamma_{-h}=\Gamma_h. \] Pada lag nol, \(\Gamma_0=\sum_{i=1}^n r_i^2\), yaitu realized variance biasa. Pada lag satu, hasil kali memasangkan return yang berdekatan. Di bawah noise harga aditif yang independen, komponen noise pada return bertetangga memiliki tanda berlawanan: kesalahan observasi yang menaikkan satu return menurunkan return berikutnya. Pola ini sering menghasilkan autokovarians lag satu negatif. Secara umum, pola pada beberapa lag dapat menunjukkan bagaimana noise memengaruhi rangkaian return.

Jumlah lag tidak dibagi dengan banyaknya hasil kali. Ini penting karena realized kernel menggabungkannya pada skala yang sama dengan jumlah realized variance. Estimator ini terkait dengan estimator varians jangka panjang yang tahan terhadap heteroskedastisitas dan autokorelasi, tetapi bukan sekadar penjumlahan autokorelasi sampel ternormalisasi secara sembarang. Penanganan batas dan konvensi penjumlahan yang tepat merupakan bagian dari definisi estimator.

Autokovarians tidak menandai tick mana yang merupakan “noise” dan mana yang merupakan “sinyal”. Nilai itu menggabungkan hasil kali silang sepanjang interval. \(\Gamma_1\) negatif konsisten dengan bid–ask bounce, tetapi tidak membuktikan mekanisme tertentu. Jika return sejati memiliki ketergantungan serial atau noise punya struktur lain, autokovarians yang sama dapat mencerminkan beberapa efek. Estimasi bergantung pada model yang dinyatakan dan bobot kernel, bukan diagnosis pasar langsung pada setiap lag.

Untuk lag maksimum \(H\), salah satu konvensi sampel terbatas mendefinisikan \[ \widehat{IV}_{RK}(H)=\Gamma_0+2\sum_{h=1}^{H} k\!\left(\frac{h}{H}\right)\Gamma_h. \] Faktor dua memasukkan suku lag negatif yang simetris. \(k(x)\) adalah bobot kernel pada \(0\le x\le1\), dengan \(k(0)=1\) dan bobot yang menurun mulus menuju nol dekat bandwidth. Artikel dan perangkat lunak dapat memakai konvensi endpoint atau indeks sedikit berbeda, misalnya \(H+1\) pada penyebut. Untuk mereproduksi hasil, nyatakan konvensi yang digunakan dan terapkan secara konsisten.

Pilihan nonnegatif yang umum adalah kernel Parzen: \[ k(x)= \begin{cases} 1-6x^2+6x^3, & 0\le x\le \tfrac12,\\ 2(1-x)^3, & \tfrac12 < x\le1,\\ 0, & x>1. \end{cases} \] Kernel ini memberi bobot besar pada lag pendek dan mengurangi bobot lag yang lebih jauh secara bertahap. Taper halus berguna karena noise frekuensi tinggi dapat menimbulkan ketergantungan antar-return, sementara estimasi lag jauh makin bervariasi. Konstruksi Parzen nonnegatif dirancang agar estimator realized kernel univariat tetap nonnegatif dalam implementasi yang dinyatakan. Kernel lain belum tentu memiliki sifat tersebut. Kernel flat-top dapat memberi perilaku bias yang baik, tetapi menghasilkan estimasi sampel terbatas yang negatif.

Ilustrasi yang menyertai artikel adalah analogi taper ini: kontribusi lag dekat lebih ditekankan dan lag yang lebih jauh memudar. Gambar bukan plot return terukur, bobot empiris dari sampel tertentu, ataupun keluaran estimasi volatilitas.

<!-- learn:illustration -->

Bandwidth \(H\) adalah lag terbesar yang disertakan dalam jumlah. Jika terlalu kecil, estimator dapat gagal menangani sebagian ketergantungan serial akibat noise observasi. Jika terlalu besar, banyak hasil kali lag yang berisik ikut masuk dan varians sampling dapat meningkat. Karena itu, bandwidth adalah pilihan tuning statistik, bukan jumlah observasi yang harus dibuang dan bukan interval waktu yang selalu cocok untuk setiap aset.

Dalam teori asimtotik realized kernel Parzen, bandwidth optimal bertumbuh pada orde \(n^{3/5}\). Salah satu ekspresi praktis yang digunakan dalam literatur adalah \[ H^*=c^*\,\xi^{4/5}n^{3/5}, \qquad c^*_{\text{Parzen}}=3.5134, \] dengan \(n\) jumlah return pada grid rapat dan \(\xi\) merangkum tingkat noise relatif serta quarticity harga laten. Salah satu skala \(\xi\) adalah \[ \xi^2=\frac{\omega^2}{\sqrt{T\int_0^T\sigma_u^4\,du}}, \] dengan \(\omega^2\) varians noise observasi. Dalam praktik, nilai-nilai ini tidak diketahui dan harus diestimasi, sering kali memakai estimasi awal varians noise dan quarticity terintegrasi. Rumus tersebut menunjukkan bahwa jumlah lag optimal bergantung pada ukuran sampel sekaligus kondisi noise terhadap sinyal; nilainya bukan pengaturan universal yang tetap.

Desain asimtotik mensyaratkan bandwidth bertambah tetapi tetap kecil dibandingkan ukuran sampel, yang lazim ditulis \(H\to\infty\) dan \(H/n\to0\). Aturan \(n^{3/5}\) menyeimbangkan bias dan varians utama di bawah model serta kondisi kernel dalam artikel. Dalam satu sesi terbatas, estimasi plug-in dapat tidak stabil jika estimasi awal noise atau quarticity buruk. Laporkan \(H\) yang dipilih, konvensi, input awal, dan analisis sensitivitas untuk beberapa alternatif yang dapat dipertanggungjawabkan.

Pertimbangkan urutan return hipotetis yang sengaja dibuat kecil, dalam basis poin: \[ (r_1,r_2,r_3,r_4)=(1,-1,1,-1)\ \mathrm{bp}. \] Urutan ini hanya untuk memeriksa aritmetika, bukan data pasar. Empat return juga terlalu sedikit untuk membenarkan pemilihan bandwidth asimtotik. Jumlah lag nolnya adalah \[ \Gamma_0=1^2+(-1)^2+1^2+(-1)^2=4\ \mathrm{bp}^2. \]

Hasil kali lag satu semuanya bernilai \(-1\), sehingga \(\Gamma_1=-3\ \mathrm{bp}^2\). Pada lag dua, hasil kalinya \(r_3r_1=1\) dan \(r_4r_2=1\), sehingga \(\Gamma_2=2\ \mathrm{bp}^2\).

Tetapkan \(H=2\) hanya untuk memperagakan rumus. Untuk kernel Parzen, \(k(1/2)=1-6(1/4)+6(1/8)=1/4\), sedangkan \(k(1)=0\). Maka \[ \widehat{IV}_{RK}=4+2\left(\tfrac14\right)(-3)+2(0)(2) =2.5\ \mathrm{bp}^2. \]

Realized variance biasa adalah \(4\ \mathrm{bp}^2\); suku lag satu berbobot negatif menurunkan estimasi kernel dalam contoh ini. Jumlah lag dua tidak berkontribusi karena bobot Parzen di batas itu nol. Hasilnya nonnegatif, tetapi aritmetika saja tidak membuktikan bahwa nilainya sama dengan variasi harga efisien yang tersembunyi. Lintasan laten tidak diamati, interval ketidakpastian tidak dihitung, dan tidak ada kesimpulan prediksi atau trading yang mengikuti. Akar kuadratnya, sekitar \(1.58\) bp, hanya skala simpangan baku untuk interval hipotetis ini.

Contoh ini juga menunjukkan mengapa bandwidth dan aturan indeks harus disertakan bersama estimasi. Nilai \(H\) lain, konvensi endpoint berbeda, atau rangkaian return lain akan mengubah bobot dan produk yang masuk. Hasil numerik dapat direproduksi karena setiap return, jumlah lag, bobot, dan unit ditampilkan.

Jumlah lag yang tidak dinormalisasi dapat memberi pengaruh berlebihan pada observasi endpoint, terutama ketika kesalahan noise besar terjadi pada harga tercatat pertama atau terakhir. Makalah praktik realized kernel membahas perataan lokal, sering disebut jittering, untuk mengurangi efek batas. Salah satu implementasi umum mengganti harga endpoint dengan rata-rata lokal observasi di dekatnya sebelum menghitung return. Ukuran jendela dan apakah satu atau kedua ujung dirata-ratakan merupakan pilihan implementasi, sehingga harus dijelaskan.

Pembersihan data bisa sama pentingnya dengan rumus. Satu transaksi salah, kuotasi basi, pasar silang, cap waktu duplikat, atau kesalahan skala harga dapat menghasilkan return dan hasil kali lag yang masuk ke beberapa jumlah. Catat kolom harga, penyelarasan cap waktu, batas sesi, penanganan duplikat, filter, serta perlakuan lelang dan penutupan pasar. Aturan pembersihan sebaiknya ditetapkan tanpa melihat apakah aturan itu membuat estimasi akhir tampak lebih masuk akal.

Studi praktik realized kernel 2009 membahas data transaksi dan kuotasi, efek batas, tren lokal, serta kernel Parzen nonnegatif. Pelajaran praktisnya adalah “tahan terhadap noise” tidak berarti “tidak peduli pada data”. Komponen harga yang bergerak perlahan dalam jendela pendek, friksi pasar yang berubah, atau konstruksi kuotasi dapat menantang interpretasi dasar. Jittering dapat mengurangi satu masalah endpoint, tetapi tidak memperbaiki seri yang tidak selaras atau observasi buruk di tengah sampel.

Teori klasik dikembangkan dengan asumsi tentang proses harga laten, sampling, noise, regularitas kernel, dan bandwidth. Beberapa konstruksi realized kernel lebih tahan terhadap noise serial dependen dan waktu observasi endogen daripada contoh paling sederhana dengan noise independen. Namun ketahanan itu bergantung pada teorema tertentu: kernel dan bandwidth harus memenuhi kondisi yang relevan. Studi Aït-Sahalia, Mykland, dan Zhang tentang noise mikrostruktur dependen membantu menjelaskan mengapa ketergantungan noise perlu ditangani secara eksplisit, bukan menganggap semua perluasan otomatis mengikuti rumus dasar.

Pilihan kernel penting. Parzen umum dipakai untuk estimasi univariat nonnegatif. Bobot flat-top dapat menargetkan karakteristik bias lain dan menghasilkan estimasi negatif dalam sampel terbatas. Jangan mengganti kernel HAC secara sembarang hanya karena terlihat serupa: literatur realized kernel menunjukkan bahwa beberapa pilihan yang tampak familier, termasuk Bartlett dalam konstruksi yang dianalisis, tidak memberikan hasil konsistensi yang sama. Jika estimasi negatif, sebutkan kernel dan aturan sampel terbatasnya; jangan diam-diam memotongnya menjadi nol atau menyebutnya varians fisik negatif.

Hasil juga mewarisi batasan proksi harga dan targetnya. Lompatan dapat menjadi bagian dari variasi kuadratik; pencilan dapat mendominasi produk; observasi tidak teratur atau tidak sinkron dapat mengubah objek estimasi; volatilitas dan noise dapat berubah selama interval. Kernel univariat sendiri tidak menyelesaikan sampling multivariat yang tidak sinkron, menghapus lompatan, atau membedakan bid–ask bounce dari semua sumber ketergantungan return lain. Estimator tahan terhadap noise hanya di dalam model yang dinyatakan, bukan terhadap setiap cacat data yang mungkin.

Laporan yang dapat direproduksi menyebut seri harga dan rancangan sampling, jendela observasi, unit return, fungsi kernel, lag maksimum \(H\), konvensi endpoint, aturan perataan endpoint, dan pembersihan data. Jika memakai bandwidth plug-in, laporkan input estimasi noise dan quarticity atau rincian yang cukup untuk menghitungnya kembali. Jelaskan apakah hasilnya merupakan estimasi varians terintegrasi, estimasi variasi kuadratik yang mencakup lompatan, atau ukuran volatilitas yang telah ditransformasikan.

Estimasi menjelaskan variasi selama interval sampel. Itu bukan estimasi volatilitas masa depan kecuali model peramalan terpisah memetakan ukuran historis ke horizon mendatang dan diuji di luar sampel. Ini juga bukan kuotasi spread atau biaya eksekusi: panduan spread bid–ask Roll memakai autokovarians return untuk mengestimasi besaran lain. Panduan realized volatility dua skala menawarkan pendekatan tahan-noise lain dengan struktur koreksi berbeda.

Pertanyaan utamanya bukan sekadar apakah realized kernel akan digunakan. Yang perlu dinilai adalah apakah data harga, rancangan sampling, target, kernel, dan bandwidth cukup sesuai dengan pertanyaan riset untuk mendukung interpretasi yang dilaporkan. Tabel sensitivitas dan batasan model yang eksplisit memudahkan pemeriksaan. Bahkan estimasi yang disusun dengan cermat tetap merupakan pengukuran historis dengan ketidakpastian sampling; ia tidak membuktikan adanya aturan trading yang menguntungkan atau menjamin efek mikrostruktur telah hilang.