바이파워 변동(Bipower Variation): 점프 강건 실현변동성

고빈도 실현분산은 장중 로그수익률을 하나씩 제곱해 더합니다. 적절한 반마팅게일 모형에서 표본 간격을 줄이면 RV는 이차변동으로 수렴합니다. 가격 경로에 연속 확산과 점프가 함께 있으면 이차변동에는 적분분산과 점프 제곱의 합이 모두 들어갑니다. 따라서 RV는 기간 동안 실제로 누적된 변동을 측정하는 데 유용하지만, 연속적으로 움직인 부분과 불연속 점프가 만든 부분을 그 자체로 나누지는 못합니다.

바이파워 변동은 기본 단위를 바꿉니다. 한 수익률을 제곱하는 대신, 이웃한 두 수익률의 크기를 곱합니다. 극한 모형에서 고립된 점프는 한 표본 구간의 수익률에 들어가고, 그 옆 구간은 대체로 작은 확산 수익률입니다. 관측 간격이 작아질수록 점프 수익률과 이웃 확산 수익률의 곱은 작아지지만, 연속 구간끼리 만든 인접 곱은 누적되어 연속 변동을 반영합니다. Barndorff-Nielsen과 Shephard는 명시된 모형 조건에서 적분분산과 드문 점프 변동을 분리하기 위해 거듭제곱 변동과 바이파워 변동을 제시했습니다(Barndorff-Nielsen & Shephard, 2004).

BV의 목표는 사후 적분분산 \(\int_0^T \sigma_t^2\,dt\)입니다. 다음 기간의 변동성 전망치가 아닙니다. 실현변동성 계산 안내는 제곱수익률 합계를 설명하고, 이 글은 인접 절대수익률의 곱이 점프에 다르게 반응하는 이유를 다룹니다.

정해진 관측 구간에서 로그가격 \(X_t\)가 다음과 같이 움직인다고 하겠습니다.

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

여기서 \(b_s\)는 유계변동 드리프트, \(\sigma_t\)는 순간 확산 변동성, \(J_t\)는 점프 성분입니다. 이 과정의 이차변동은 연속분산과 점프 변동으로 나뉩니다.

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

여기서 \(\Delta X_t=X_t-X_{t-}\)입니다. 첫 항은 연속 적분분산이고 두 번째는 점프 변동분입니다. 점프의 기여분은 점프 크기의 제곱이므로, 방향이 상승인지 하락인지는 부호에 영향을 주지 않습니다. 이차변동 안내는 이 경로량이 고정된 가격 관측값들의 분산과 어떻게 다른지 설명합니다.

표본 구간을 \(\Delta=T/n\)으로 나누고 \(r_i=X_{i\Delta}-X_{(i-1)\Delta}\)를 \(i\)번째 장중 로그수익률이라고 두면, 실현분산은

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

입니다. 일반적인 반마팅게일 조건 아래 관측 간격을 줄일수록 \(RV_n\)은 점프까지 포함한 전체 이차변동을 추정합니다. 점프가 없다는 가정을 확인하지 않고 RV를 ‘연속 변동성’이라고 부르면 서로 다른 두 대상을 섞게 됩니다.

표준정규 확률변수 \(Z\)에 대해 \(\mu_1=E|Z|=\sqrt{2/\pi}\)입니다. 많이 쓰이는 실현 바이파워 변동의 정의는 다음과 같습니다.

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

\(\pi/2\)는 가우스 확산 수익률의 절댓값 곱을 연속분산의 크기에 맞춥니다. \(n/(n-1)\)은 널리 쓰이는 정의에 포함되는 끝점 보정입니다. 일부 구현에서는 표본이 커지면 1에 가까워지는 이 항을 생략합니다. 두 결과를 비교할 때는 어느 정의를 썼는지 밝혀야 합니다.

합계에는 서로 겹치는 이웃 쌍이 들어갑니다. 두 번째 수익률은 첫 번째와, 세 번째는 두 번째와 짝을 이루는 방식으로 마지막까지 이어집니다. BV는 각 관측값에 ‘점프’ 또는 ‘비점프’ 꼬리표를 붙이지 않습니다. 대신 유한 횟수 점프 모형에서는 표본이 촘촘해질 때 점프가 포함된 작은 이웃 구간은 한정된 수에 머무르고, 일반적인 확산 수익률의 인접 곱이 연속 적분분산의 극한을 만든다는 결과를 이용합니다. 해당 극한 이론은 가정 아래 레버리지와 같은 의존성을 포함한 폭넓은 확률변동을 다룹니다(Barndorff-Nielsen et al., 2006).

<!-- learn:illustration -->

가상의 한 거래일에 로그수익률 7개가 관측되었고, 단위가 베이시스포인트(bp)라고 하겠습니다.

네 번째 수익률 구간에 \(+12\)bp의 가상 점프가 들어 있고, 그 구간의 연속적인 움직임은 무시할 정도로 작다고 가정합니다. 그러면

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

여섯 인접 절대수익률 곱의 합은 \(4.60\ \mathrm{bp}^2\)입니다. 앞서 정한 끝점 보정을 적용하면

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

삽입한 점프의 제곱은 \(12^2=144\ \mathrm{bp}^2\)입니다. 차이가 정확히 144가 아닌 이유는 점프 양옆의 인접 곱에 \(12\times0.1\) 항이 포함되고, 수익률 7개뿐인 짧은 표본에도 변동이 있기 때문입니다. 이 작은 숫자 예시는 산술을 재현하기 위한 가정입니다. 실제 시장 데이터가 아니며, 짧은 구간에서 RV와 BV의 차이가 점프 변동을 정확히 회복한다는 뜻도 아닙니다.

표준 일치성 결과에는 조건이 붙습니다. 관측 구간에 점프가 유한 번 발생하는 연속 확률변동 반마팅게일 가격을 시장미시구조 잡음 없이 점점 촘촘히 관측하면, BV는 연속 적분분산으로 수렴합니다. 같은 설정에서 \(RV_n-BV_n\)은 점프 제곱의 합으로 수렴합니다. 이는 점근적인 분리이지, 모든 수익률 자료나 표본 격자에 대한 보장은 아닙니다.

점프 횟수가 유한하다는 조건이 중요합니다. 작은 점프가 무수히 많이 발생하거나 점프 활동도가 무한하면, 인접 절대수익률의 곱에 점프 변동이 무시할 수 없을 정도로 들어갈 수 있습니다. 표준 BV가 브라운 연속 성분만 분리한다고 일반화할 수 없습니다. 확장 추정량, 절단 방법 또는 다른 점프 검정이 필요할 수 있으며, 각각 별도의 가정이 따릅니다. Aït-Sahalia와 Jacod는 더 넓은 반마팅게일 범위를 대상으로 한 고빈도 점프 검정을 제시했지만, 이는 일반 BV가 모든 점프 과정을 처리한다는 증명이 아니라 대안 검정 틀입니다(Aït-Sahalia & Jacod, 2009).

관측 설계도 해석에 영향을 줍니다. 수익률은 같은 시간 구간과 신뢰할 수 있는 가격 시계열을 기준으로 계산해야 합니다. 성긴 표본, 오래된 호가, 비동시 거래, 야간 공백, 장 마감 부근의 점프가 있으면 촘촘한 표본에서 성립하는 이상적인 해석과 멀어질 수 있습니다. 다만 관측 빈도를 높이는 일은 잠재적인 효율가격에 더 가까워질 때만 도움이 됩니다. 미시구조 잡음이 있는 가격을 더 자주 관측하면 잡음을 더 많이 포함할 수도 있습니다.

유한 활동 점프와 잡음 없는 점근 모형에서 RV에서 BV를 뺀 값은 점프 변동을 추정합니다. 그러나 유한 표본 차이는 음수일 수도 있습니다. RV와 BV가 서로 다른 극한값을 추정하더라도 각 추정량은 표본 변동을 갖기 때문입니다. 기초 점프 제곱합은 음수가 아니지만, 그 사실만으로 유한 표본 차이를 0 이상으로 만들 수는 없습니다. 음수를 조용히 0으로 자르지 마세요. 절단은 추정량의 표본분포를 바꾸므로 적용했다면 규칙을 밝혀야 합니다.

통계 검정은 다른 질문에 답합니다. ‘관측된 차이가 점프가 없다는 귀무가설 아래 표본 불확실성에 비해 충분히 큰가?’를 묻습니다. Barndorff-Nielsen과 Shephard는 실현 거듭제곱 변동과 바이파워 변동을 이용하는 점근 검정을 유도했습니다. 실제 검정은 원시 RV-BV 차이를 임계값처럼 쓰지 않고, 다중파워 변동량 등을 이용해 관련 사차 변동을 추정합니다(Barndorff-Nielsen & Shephard, 2006). 이후 Corsi, Pirino, Reno는 유한 표본에서 점프가 만드는 왜곡을 줄이고 점프 대립가설 아래 추론을 지원하기 위해 임계값 바이파워 변동을 개발했습니다(Corsi, Pirino & Reno, 2010).

점프가 검출되더라도 선택한 표본 간격과 유의수준 아래에서 나온 모형 기반의 통계적 분류입니다. 검정은 어떤 뉴스가 가격을 움직였는지 밝히지 않고, 기록된 가격에서 실제로 주문을 낼 수 있었는지도 증명하지 않으며, 수익성 있는 전략을 입증하지도 않습니다.

전통적인 BV는 고빈도 시장미시구조 잡음에 강건한 추정량이 아닙니다. 관측가격 \(Y_{t_i}=X_{t_i}+\epsilon_{t_i}\)에 매수·매도 호가 반전, 반올림, 호가 갱신 잡음이 들어가면 각 수익률이 영향을 받습니다. BV는 이웃한 절대수익률을 곱하므로, 인접 곱을 사용한다는 이유만으로 잡음이 사라지지 않습니다. 표본을 지나치게 촘촘하게 만들면 오히려 잡음이 기여하는 비중이 커질 수 있습니다.

이는 점프와는 별도의 문제입니다. 실현 커널과 이중척도 실현분산은 시장미시구조 잡음 아래에서 변동성을 추정하도록 다른 구조로 설계되었습니다. 이 방법들을 표준 BV와 서로 바꿔 쓸 수는 없습니다. 또한 잡음에 강건하다는 성질이 점프에도 강건하다는 뜻은 아닙니다. 실현 커널 안내는 잡음에 초점을 둔 방법 중 하나를 설명합니다.

잡음과 점프를 모두 처리해야 한다면 둘 다를 대상으로 유도된 추정량을 사용하고 그 조건을 밝혀야 합니다. Podolskij와 Vetter는 잡음이 있는 관측을 위한 변조 바이파워 변동을 개발하고 유한 활동 점프에도 강건한 형태를 제시했습니다. 이는 위의 보정되지 않은 공식과 다른 수정 추정량입니다(Podolskij & Vetter, 2009). 실제 대안에는 더 낮은 빈도의 표본, 사전평균, 임계값 변동량 또는 잡음 강건 추정량이 포함될 수 있습니다. 무엇을 고르든 추정 대상, 조정 변수 또는 불확실성 계산이 달라질 수 있습니다.

BV는 가정이 성립할 때 과거 연속 적분분산 성분을 추정합니다. 점프가 있는 경로의 전체 이차변동은 RV가 추정합니다. 두 값의 차이는 점근적으로 점프 이차변동을 추정할 수 있습니다. 어느 값도 자동으로 미래 전망치, 위험 한도 또는 진입 신호가 되지는 않습니다. 과거 RV와 BV를 별도의 예측변수로 쓰는 모형을 만들 수는 있지만, 정보 시점과 거래비용을 통제한 표본 외 평가로 예측력을 확인해야 합니다.

분산 추정치의 제곱근을 변동성이라고 부르려면 관측 구간과 단위를 함께 밝혀야 합니다. 수익률 단위가 bp라면 분산은 bp²이고 제곱근은 해당 표본 구간의 bp 단위 값입니다. 연율화에는 시간척도에 대한 명시적인 가정이 필요합니다. 달력 기준 배수를 곱해도 점프, 시장미시구조 잡음 또는 야간 구간 처리 문제가 해결되지는 않습니다. 점프 위험 안내는 불연속 가격 움직임이 헤지 노출에 중요한 이유를 설명하지만, 과거 BV 분해를 거래 지시로 바꾸지는 않습니다.

자산 이름, 가격 자료가 체결가·호가·중간값 중 무엇인지, 수익률 정의, 표본 빈도, 세션 경계, 야간 구간과 누락 관측의 처리 방식을 적습니다. RV와 BV의 공식을 표시하고, 사용한 소표본 보정, 수익률 개수, 단위를 함께 공개하세요. \(RV-BV\)를 계산했다면 원래 차이를 보여주고, 임계값·절단·0 아래 값의 비음수 보정을 적용했는지 밝혀야 합니다.

해석에 어떤 모형이 필요한지도 설명해야 합니다. 점프가 유한 횟수인 연속 확률변동 모형을 전제했는지, 아니면 다른 추정량을 사용하는 더 넓은 점프 모형을 전제했는지 구분하세요. 시장미시구조 잡음 보정, 점프 검정 통계량, 사차 변동 추정, 유의수준, 다중검정 보정이 있다면 공개하고 분해 결과와 함께 불확실성도 보고해야 합니다.

바이파워 변동의 장점은 이웃 절대수익률의 곱이 연속변동의 극한을 유지하면서 고립된 유한 활동 점프의 점근적 영향을 줄인다는 데 있습니다. 그 장점에는 한계가 따릅니다. 표준 공식은 만능 점프 필터도, 유의성 검정도, 시장미시구조 잡음 보정도 아닙니다. 위험 분석이나 연구에 사용할 때 이 경계를 함께 적어야 합니다.