バイパワー変動：ジャンプに頑健な実現ボラティリティを解説

高頻度の実現分散は、日中の対数リターンを二乗して合計します。適切なセミマルチンゲールモデルのもとでサンプリング間隔を細かくすると、RVは二次変動に収束します。価格経路に連続拡散とジャンプの両方が含まれる場合、その極限には積分分散とジャンプの二乗和が含まれます。したがってRVは事後的な総変動を測るのに役立ちますが、連続的な動きと不連続な変化の内訳までは単独で示しません。

バイパワー変動は計算の基本単位を変えます。単一リターンを二乗せず、隣り合う2つのリターンの絶対値を掛け合わせます。極限モデルでは、孤立したジャンプは通常1つのリターン区間に入り、隣のリターンは小さな拡散増分になります。観測グリッドを細かくすると、ジャンプを含むリターンと隣接リターンの積は小さくなります。一方、隣接する拡散リターンの積は連続変動を蓄積し続けます。Barndorff-NielsenとShephardは、所定のモデル条件のもとで積分分散とまれなジャンプによる変動を分けるため、パワー変動とバイパワー変動の利用を提案しました（Barndorff-Nielsen & Shephard, 2004）。

対象は過去の積分分散 \(\int_0^T \sigma_t^2\,dt\) であり、次期のボラティリティ予測ではありません。実現ボラティリティの計算ガイドでは二乗リターンによる指標を説明しています。この記事では、隣接する絶対リターンの積がジャンプに異なる反応を示す理由を扱います。

固定された時間窓における対数価格過程を次のようにします。

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

ここで、\(X_0\)の次の項は有限変動のドリフト、\(\sigma_t\)は瞬間的な拡散ボラティリティ、\(J_t\)はジャンプ成分です。この過程の二次変動は次のように分解されます。

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

ただし \(\Delta X_t=X_t-X_{t-}\) です。第1項は連続的な積分分散、第2項はジャンプ変動です。ジャンプの寄与は、その向きが上昇でも下落でも大きさの二乗になります。金融における二次変動のガイドでは、この経路上の量が静的な価格集合の分散と異なる理由を説明しています。

\(n\)個の日中対数リターンを \(r_i=X_{i\Delta}-X_{(i-1)\Delta}\)、\(\Delta=T/n\) とすると、実現分散は

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

です。通常のセミマルチンゲール条件のもとで観測間隔を縮めると、\(RV_n\)はジャンプを含む二次変動全体を推定します。ジャンプがないという仮定なしにRVを「連続ボラティリティ」と呼ぶと、異なる2つの対象を混同することになります。

\(Z\)を標準正規変数、\(\mu_1=E|Z|=\sqrt{2/\pi}\) とします。実現バイパワー変動の一般的な定義の一つは

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

です。

係数 \(\pi/2\) は、ガウス増分の絶対値の積を連続分散のスケールに合わせて正規化します。\(n/(n-1)\) は一般的な定義の一つで小標本の端点を補正する係数です。\(n\)が大きくなると1に近づくため、省略する定義もあります。結果を比べるときは採用した定義を明記してください。

合計には重複する隣接ペアを使います。第2リターンは第1と、第3は第2と組み合わせ、その後も同様です。各観測を「ジャンプ」か「ジャンプなし」に分類するわけではありません。有限活動ジャンプのもとでは、グリッドが細かくなるほどジャンプを含む小さな近傍の数は有限にとどまり、通常の隣接拡散リターンの積が連続積分分散の極限を作る、という漸近結果を利用します。極限定理はその仮定のもとで、レバレッジ型の依存を含む幅広い確率ボラティリティの挙動を許容します（Barndorff-Nielsen et al., 2006）。

<!-- learn:illustration -->

仮想的な1セッションに、ベーシスポイント単位の対数リターンが7つあるとします。

第4リターンに仮想的な \(+12\) bpのジャンプが含まれ、その区間の連続的な動きはごく小さいとします。このとき

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

です。

隣接する絶対リターンの積6つの合計は \(4.60\ \mathrm{bp}^2\) です。前述の端点補正を使うと

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

となります。

加えたジャンプの二乗は \(12^2=144\ \mathrm{bp}^2\) です。差が144と一致しないのは、ジャンプの前後の積に \(12\times0.1\) の項が含まれ、7リターンという小標本には通常の有限標本変動もあるためです。この作例は計算を追えるように作った仮想例であり、実際の市場データではありません。また、短い窓の差がジャンプ変動を正確に復元するという主張でもありません。

標準的な一致性の結果には条件があります。観測窓内のジャンプが有限個で、連続確率ボラティリティを持つセミマルチンゲールを、マイクロ構造ノイズなしで徐々に細かく観測すると、BVは連続的な積分分散に収束します。同じ設定で \(RV_n-BV_n\) はジャンプ二乗の合計に収束します。これは漸近的な分離であり、すべてのリターン系列や有限グリッドで保証されるわけではありません。

有限活動という条件は重要です。小さなジャンプが多数ある場合やジャンプ活動が無限の場合、ジャンプ変動が隣接する絶対リターン積に無視できない寄与をすることがあります。その場合、標準BVの結果がブラウン成分だけを分離するとは限りません。拡張法、切り詰め、別のジャンプ検定が必要となる場合があり、それぞれ異なる仮定を伴います。Aït-SahaliaとJacodは、より広いセミマルチンゲールを対象とする別の高頻度ジャンプ検定を開発しました。これは代替の検定枠組みであり、通常のBVがすべてのジャンプ過程に対応できるという証明ではありません（Aït-Sahalia & Jacod, 2009）。

観測設計も重要です。リターンは同じ時間窓と、妥当な価格系列に基づく必要があります。観測間隔が粗いこと、古い気配値、非同期取引、夜間ギャップ、セッション境界付近のジャンプは、細かいグリッドという解釈を弱めます。サンプリングを密にしても、観測が潜在的な効率価格に近づかず、マイクロ構造ノイズだけを増やすなら改善にはなりません。

有限活動ジャンプを仮定したノイズなしの漸近モデルでは、RVからBVを引いた値はジャンプ変動を推定します。しかし有限標本では差が負になることがあります。ジャンプ二乗和そのものは負になりませんが、RVとBVは異なる極限量のノイズを含む推定値だからです。負の値を黙ってゼロに置き換えないでください。切り詰めは推定量の標本分布を変えるため、明示的なルールとして報告します。

統計検定は別の問いに答えます。ジャンプなしの帰無仮説のもとで、観測された差は標本不確実性に比べて大きいでしょうか。Barndorff-NielsenとShephardは実現パワー変動とバイパワー変動に基づく漸近検定を導出しています。実用版では、差そのものを有意性の閾値とせず、マルチパワー指標などで関連するクォータシティを推定します（Barndorff-Nielsen & Shephard, 2006）。その後、有限標本でのジャンプ歪みを抑え、ジャンプを含む対立仮説のもとで推論するため、閾値付きバイパワー変動が開発されました（Corsi, Pirino & Reno, 2010）。

検出されたジャンプも、選んだサンプリング頻度と有意水準に基づくモデル依存の統計的分類です。ニュースの原因を特定するものでも、記録価格で取引できたことを証明するものでも、収益性のある戦略を示すものでもありません。

従来のBVはノイズ頑健な高頻度推定量ではありません。観測価格が \(Y_{t_i}=X_{t_i}+\epsilon_{t_i}\) のとき、ビッド・アスクの往復、丸め、気配更新が各リターンにノイズを加えます。BVは隣接する絶対リターンを掛けるため、隣接積を使うだけでノイズが消えるわけではありません。非常に細かくサンプリングすると、ノイズの寄与が相対的に重要になることもあります。

これはジャンプとは別の問題です。Realized kernelやtwo-scale realized varianceは異なる構成によってマイクロ構造ノイズ下のボラティリティを推定するもので、通常のBVと置き換え可能ではありません。また、ノイズに頑健だからといってジャンプにも頑健とは限りません。Realized kernelのガイドではノイズを扱う方法の一つを説明しています。

ノイズとジャンプの両方を扱う必要がある場合は、両方を考慮して導出された方法を選び、条件を明記します。PodolskijとVetterはノイズを含む観測に対するmodulated bipower variationを開発し、有限活動ジャンプに頑健な形も構成しています。これは修正された推定量であり、上記の未調整の式ではありません（Podolskij & Vetter, 2009）。実務上の代替策には、サンプリング頻度を下げる方法、事前平均化、閾値付き指標、ノイズ頑健推定量などがあります。選択によって推定対象、調整パラメータ、または不確実性の計算が変わります。

仮定が成り立つ場合、BVは過去の連続的な積分分散成分を推定します。ジャンプを含む経路の総二次変動はRVが推定します。その差は漸近的にジャンプ二次変動を推定できます。いずれも自動的に予測、リスク上限、エントリーシグナルになるわけではありません。予測モデルで過去のRVとBVを別々の説明変数として使うことはできますが、情報の利用可能時点と取引コストを管理してアウト・オブ・サンプルで評価する必要があります。

分散推定値の平方根をボラティリティと呼ぶには、時間窓と単位を明示してください。リターンがbp単位なら、分散はbp²、平方根は観測窓に対するbpです。年率換算には時間スケーリングの仮定が必要です。暦上の係数を掛けても、ジャンプ、マイクロ構造ノイズ、夜間区間の測定方法は解消されません。ジャンプリスクのガイドでは不連続な価格変動がヘッジエクスポージャーに影響する理由を説明していますが、過去のBV分解を売買指示に変えるものではありません。

資産、価格データ（約定値、気配値、または仲値）、リターン定義、サンプリング頻度、セッション境界、夜間区間と欠損観測の扱いを記載してください。RVとBVの式、小標本正規化の規約、リターン数、単位を示します。\(RV-BV\)を計算した場合は差の生値を示し、閾値、切り詰め、非負へのクリッピングを適用したか明記してください。

解釈の根拠となるモデルも説明します。有限活動ジャンプを持つ連続確率ボラティリティなのか、別の推定量を使うより広いジャンプモデルなのかを区別してください。マイクロ構造ノイズ補正、ジャンプ検定統計量、クォータシティの推定、有意水準、多重検定の調整があれば開示します。不確実性の指標も分解と併せて報告します。

バイパワー変動の利点は、隣接する絶対リターンの積が連続変動の極限を保ちながら、孤立した有限活動ジャンプの漸近的影響を小さくする点です。限界も併記してください。標準式は万能のジャンプフィルターでも、有意性検定でも、マイクロ構造ノイズ補正でもありません。リスク分析や研究で使うときは、これらの条件も示します。