Lee–Mykland 점프 검정: 장중 가격 점프를 찾는 방법

실현분산은 세션 동안 장중 수익률 제곱을 더합니다. 바이파워 변동은 점프 및 표본 조건이 맞을 때 연속 성분의 변동을 추정할 수 있습니다. 두 통계량 모두 기간 전체를 요약하므로 그 안에서 이례적으로 큰 움직임이 언제 발생했는지는 알려주지 않습니다. Lee와 Mykland의 방법은 구간별 수익률을 평가하고, 각 움직임을 바로 앞 수익률들로 추정한 변동성과 비교합니다.

이 구분은 사건 연구, 변동성 모형화, 점프 시점 분석에 유용합니다. 조용한 시장에서 1% 수익률은 이례적일 수 있지만 변동성이 큰 세션에서는 평범할 수 있습니다. 최근 국지 변동성으로 표준화하면 변하는 규모를 반영할 수 있습니다. 이 방법은 장중 점프 도착 시점과 실현 크기를 탐지하기 위해 제시되었으며, 움직임의 원인이나 거래 가능성을 입증하지 않습니다(Lee와 Mykland, 2008).

귀무가설은 특정 구간의 가격 과정에 관한 것입니다. 정칙 조건 아래 연속 성분만 작용해 점프가 없었다는 가설입니다. 수익률이 0이라는 주장이 아닙니다. 연속 가격 경로에서도 특히 변동성이 높은 때에는 큰 수익률이 나올 수 있습니다. 그래서 단순한 가격 변화폭만으로 임계값을 정하기 어렵습니다.

시각 \(t_i\)에 관측한 가격을 \(P_i\)라고 하고, 구간 \(i\)의 로그수익률을 다음과 같이 둡니다.

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

가격 항목과 표본 격자는 일관되어야 합니다. 거래 가격, 호가 중간값 또는 다른 문서화된 대용치를 쓸 수 있지만, 가격 대용치를 바꾸면 수익률과 점프 판정이 모두 달라질 수 있습니다. 세션 시작과 종료, 경매, 거래 중단, 누락 호가를 명시적으로 처리해야 합니다. 시초가와 전일 종가 사이 수익률을 평범한 장중 구간에 설명 없이 섞어서는 안 됩니다.

국지 척도와 극단값 임계값은 정해진 관측 방식을 전제로 하므로 등간격 표본이 중요합니다. 표본 시각이 불규칙하다면 방어 가능한 동기화·표본 규칙을 먼저 정하고, 그 과정에서 어떤 정보가 빠지는지 설명합니다. 이 식은 오래된 호가, 교차 호가, 잘못된 시각표시, 고립된 기록 오류를 없애주지 않습니다. 여러 거래소나 자산의 가격을 동기화를 확인하지 않고 같은 시각의 자료처럼 결합해서도 안 됩니다.

이 검정은 잠재 가격이 아니라 관측 수익률에 적용됩니다. 원 논문은 모든 호가 피드나 디지털 자산 거래소에서 자동으로 성립하지 않는 조건을 둔 고빈도 준마팅게일 모형을 사용합니다. 자료 제공처, 시간대, 표본 격자, 거래 세션, 적용한 필터를 기록해 다른 연구자가 수익률 수열을 재현할 수 있게 합니다.

후보 시각 \(t_i\)에서 국지 분산을 현재 수익률 \(r_i\)보다 앞선 수익률로 추정합니다.

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

\(K\)는 이동 창의 크기입니다. 합에는 인접 절대수익률의 곱이 들어가며 후보 수익률 \(r_i\)는 제외됩니다. 이 바이파워 변동 형태는 앞서 발생한 고립 점프 하나가 나중 구간을 판단하는 척도를 압도하지 않도록 도와줍니다. 고빈도 수익률의 합과 곱이 이차변동에서 서로 다른 특징을 추정할 수 있는 이유는 실현변동성 문헌에서 다룹니다.

이 추정치는 세션 전체 변동성 예측값이 아니라 국지 척도입니다. 창이 짧으면 빠르게 적응하지만 불안정할 수 있고, 길면 매끄럽지만 변동성 변화에 늦게 반응할 수 있습니다. 원 논문의 점근 논리에서는 표본 간격이 줄어들 때 \(K\)를 늘리되 전체 기간에 비해 짧게 유지합니다. 실제 유한 표본에서는 \(K\)를 문서화하고 민감도를 확인해야 합니다. 모든 자산, 표본 격자, 시장 상태에 통하는 보편적인 \(K\)는 없습니다.

추정값이 0이거나 매우 작을 때의 처리 원칙도 필요합니다. 작은 가격 단위 하나가 극단적 통계량을 만들 수 있기 때문입니다. 임의의 하한값으로 조용히 대체하지 마세요. 호가를 확인하고, 적용 규칙을 보고하고, 합리적인 대안에 따라 표시 구간이 바뀌는지 점검합니다.

국지 점프 통계량은 다음과 같습니다.

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

부호는 관측 수익률의 방향을 보존하고 절댓값은 직전 국지 척도에 대한 움직임의 크기를 나타냅니다. 분모 추정치는 통상적인 바이파워 변동 정규화 상수 없이 인접 절대수익률의 곱으로 계산됩니다. 논문의 무점프 점근 결과에서 \(L_i\)는 표준정규변수 \(Z_i\)를 \(c\)로 나눈 값에 가까우며, \(c=E|Z_i|=\sqrt{2/\pi}\)입니다. 임계값을 정할 때 이 점이 중요합니다. \(L_i\)를 표준정규 통계량으로 취급하면 기준 분포가 맞지 않습니다.

\(|L_i|\)가 크면 후보 구간으로 볼 수 있지만 자동으로 점프 판정을 내리는 것은 아닙니다. 표본 방식, 창, 검색한 구간 수를 고려한 임계값과 비교해야 합니다. 양의 값은 관측된 상승 수익률, 음의 값은 하락 수익률을 가리킵니다. 부호만으로 경제적 원인을 알아내거나 점프, 연속 움직임, 자료 오류를 구분할 수는 없습니다.

아래 그림은 후보 수익률을 그 직전 구간에서 구한 국지 척도와 비교합니다. 실제 가격 차트나 탐지 사례는 아닙니다.

<!-- 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. -->

세션에서 \(n\)개 구간을 살피면 구간마다 점별 임계값을 적용하는 것만으로도 여러 관측치를 확인했다는 이유로 오탐이 생길 수 있습니다. Lee–Mykland 방식은 기간 내 절대 통계량의 최댓값을 기준으로 임계값을 보정합니다. \(c=\sqrt{2/\pi}\)라 두면

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

논문의 점근적 무점프 조건 아래

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

은 누적분포함수 \(F(x)=\exp(-e^{-x})\)를 갖는 표준 검벨 극한분포를 따릅니다. 세션 유의수준을 \(\alpha\)로 정하면 임계값은

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

입니다.

\((|L_i|-C_n)/S_n>\beta_\alpha\)인 구간을 표시합니다. 이 최대값 보정은 명시한 기간에서 구간을 검색한 일을 반영합니다. 여러 자산, 거래일, 표본 격자, 모형 사양에 걸쳐 같은 검정을 반복하는 연구까지 자동으로 보정하지는 않습니다. 추가 비교는 별도 설계와 보고가 필요합니다.

후보 구간 바로 전 수익률이 \(-0.40\%\), \(+0.30\%\), \(-0.20\%\)이고 계산을 단순하게 보이기 위해 \(K=4\)로 둔다고 가정합니다. 그러면

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

다음 수익률이 \(+1.20\%\)라면 국지 통계량은 \(L_i=1.20/0.30=4\)입니다. 관측 수익률이 여기서 예시한 국지 척도의 네 배라는 뜻이지, 아직 검정에서 기각된다는 뜻은 아닙니다.

\(n=78\)개 구간을 가진 가상 세션에서 점근식으로 계산하면 \(C_n\approx3.14\), \(S_n\approx0.424\)입니다. 세션 유의수준을 1%로 두면 \(\beta_\alpha\approx4.60\)이므로 임계값은 \(3.14+0.424(4.60)\approx5.10\)입니다. 통계량 4는 이보다 작으므로 이 단순 예에서는 해당 유의수준에서 구간을 표시하지 않습니다. 모든 값은 가상이며 이 표본 크기에서는 최댓값 근사가 거칠 수 있습니다. 작은 \(K=4\)는 산술 예시일 뿐 권장 추정 설정이 아닙니다.

이 계산은 “4 표준편차”라는 표현만으로 Lee–Mykland 판정이 완성되지 않는 이유를 보여줍니다. 기준 척도, 점근 정규화, 창, 검사한 구간 수, 유의수준이 모두 임계값에 영향을 줍니다. 점프 건수나 구간 목록을 보고할 때는 함께 밝혀야 합니다.

표본 격자가 촘촘해지면 이론상 시점 분해능은 좋아지지만 호가 잡음, 가격 이산성, 시각표시 불일치도 더 드러납니다. 성긴 격자는 짧은 변동을 일부 매끄럽게 하지만 점프를 주변 연속 수익률과 합치거나, 한 구간 안에 여러 움직임을 숨길 수 있습니다. 따라서 격자 선택은 탐지 대상과 자료가 가정에 얼마나 맞는지를 함께 바꿉니다.

창 \(K\)도 표본 격자와 연결됩니다. 직전 수익률이 너무 적으면 국지 이분산 추정이 불안정하고, 너무 많으면 서로 다른 변동성 상태가 섞여 “국지”라는 의미가 약해질 수 있습니다. \(K\)를 관측 개수와 실제 시간으로 모두 보고하고, 세션 경계에서 창을 초기화하는지 설명하며, 방어 가능한 설정에 따라 사건 목록이 어떻게 달라지는지 보여주세요. 다른 시장이나 세션 길이에서 권고된 창을 확인 없이 가져오지 마세요.

표준 Lee–Mykland 설정은 시장 미시구조 잡음에 대한 일반 해법이 아닙니다. 프리애버리징 등 잡음을 고려하는 방법은 수익률이나 변동 추정치를 바꾸고 그에 맞는 추론이 필요합니다. 단순히 끼워 넣을 수 있는 보정 필터가 아닙니다(Aït-Sahalia, Jacod, Li, 2012). 프리애버리징 안내와 Two-scale 변동성 안내는 잡음이 있는 고빈도 가격에 대한 관련 접근을 설명합니다.

표시된 수익률은 지정한 임계값과 모형 아래 연속경로 귀무가설로 설명하기 어렵다는 증거입니다. 예정된 공시, 거래소 장애, 청산 연쇄, 다른 어떤 원인이 움직임을 일으켰다고 확인해 주지는 않습니다. 시각을 검증된 사건 자료와 비교하고 실제 체결·호가를 확인하며 그 구간 뒤에도 움직임이 이어지는지 살펴보세요. 후속 원인 분석은 통계검정과 구별해 적습니다.

이 절차는 실현분산과 바이파워 변동의 일별 차이와도 다릅니다. Lee–Mykland 통계량은 국지 변동성에 비해 어떤 구간이 큰지 찾습니다. 일별 변동 측정치 차이는 다른 가정 아래 총 점프 변동을 추정합니다. 기간 단위 통계량은 바이파워 변동 안내와 실현변동성 안내를 참고하세요. Aït-Sahalia와 Jacod의 power variation 검정은 다른 구성으로 이산 관측 경로에 점프가 존재하는지 묻습니다. 추정 대상과 가정이 다르므로 두 결과가 같거나 다르다는 사실이 구간 단위 Lee–Mykland 목록을 직접 검증하지는 않습니다.

전략 연구에서 점프 표시는 후속 분석의 입력이지 매수·매도 지시가 아닙니다. 백테스트는 신호가 실제로 알려지는 시점, 스프레드와 슬리피지, 지연, 겹치는 사건 구간, 표본 밖 평가를 반영해야 합니다. 의사결정 목표에 맞는 손실 또는 위험 기준을 정하고 적절한 기준선과 비교합니다. 과거 수익률에 통계적 표시가 붙었다는 사실은 다음 사건을 예측하거나 수익성 있게 거래할 수 있다는 뜻이 아닙니다.