Penganggar Realized Kernel: Mengukur Turun Naik dengan Hingar Mikrostruktur

Tanpa hingar, menjumlahkan kuasa dua pulangan intrahari ialah cara semula jadi untuk menganggar variasi sepanjang sela yang diperhatikan. Namun, harga transaksi atau sebut harga boleh mengandungi lantunan bid–ask, ketakselanjaran harga, kependaman atau ralat rekod. Perbezaan dua harga yang berhingar memasukkan kedua-dua ralat pemerhatian ke dalam pulangan; pulangan bersebelahan berkongsi satu ralat dengan tanda yang bertentangan. Oleh itu, autokovarians bersiri pulangan mengandungi maklumat tentang hingar pemerhatian.

Varians terealisasi biasa hanya menggunakan hasil darab pulangan pada sela masa sifar, iaitu menjumlahkan pulangan kuasa dua. Pada frekuensi pensampelan yang sangat tinggi, jumlah itu boleh mengumpul hingar lebih cepat daripada ia menangkap pergerakan baharu dalam harga terpendam. Realized kernel menggunakan sebutan sela sifar bersama autokovarians berpemberat pada sela positif dan negatif. Dengan andaian dan pertumbuhan jalur yang sesuai, sebutan sela bukan sifar membantu mengimbangi kesan hingar utama sambil mengekalkan variasi harga cekap.

Barndorff-Nielsen, Hansen, Lunde dan Shephard membangunkan realized kernel untuk variasi ex post apabila wujud friksi pasaran dalam artikel Econometrica asal mereka. Kaedah ini ialah pengiraan varians jangka panjang berpemberat yang dirancang dengan teliti, bukannya arahan untuk menggunakan setiap tick tanpa menyemak data. Untuk penanda aras frekuensi tinggi yang lebih mudah, rujuk panduan pengiraan realized volatility. Artikel ini memfokuskan pembetulan kernel dan pilihan yang terlibat.

Biarkan \(X_t\) mewakili log harga cekap terpendam dan log harga yang direkodkan pada masa \(t_i\) ialah \[ Y_{t_i}=X_{t_i}+\epsilon_{t_i}, \] dengan \(\epsilon_{t_i}\) mewakili hingar mikrostruktur pasaran. Model asas yang lazim menganggap harga terpendam sebagai proses berterusan dengan kadar varians setempat \(\sigma_t^2\). Sasaran bagi sela tetap \([0,T]\) ialah \[ IV_T=\int_0^T \sigma_t^2\,dt. \]

Terbitan paling mudah mengandaikan hingar bermakna sifar, bebas mengikut masa, bebas daripada proses harga cekap dan mempunyai varians stabil. Andaian ini memudahkan kita melihat punca pembetulan. Transaksi dan sebut harga sebenar mungkin menyimpang daripadanya: hingar boleh berkorelasi secara bersiri, berubah mengikut masa, berkait dengan harga cekap atau dipengaruhi cara masa pemerhatian dipilih.

Jika proses terpendam mempunyai lonjakan, variasi kuadratik turut merangkumi kuasa dua lonjakan. Sama ada itu sasaran yang dikehendaki bergantung pada model dan soalan kajian. Terbitan harga berterusan menyasarkan varians bersepadu; jangan gambarkan realized kernel sebagai pemisah varians berterusan daripada lonjakan melainkan pembinaan tahan lonjakan ditambah. Panduan variasi kuadratik menerangkan perbezaan antara varians bersepadu dengan jumlah variasi laluan.

Persediaan ini menghasilkan anggaran bagi sela yang telah selesai. Ia tidak mendapatkan semula harga terpendam dengan tepat, meramal sela seterusnya atau menyatakan harga pelaksanaan sesuatu dagangan. Konvensyen input frekuensi tinggi juga perlu direkodkan: transaksi, titik tengah sebut harga atau proksi harga lain boleh menghasilkan siri pulangan dan sifat hingar yang berbeza.

Bagi \(n\) pulangan diperhatikan \(r_i=Y_{t_i}-Y_{t_{i-1}}\), takrifkan jumlah autokovarians sela-\(h\) tanpa normalisasi: \[ \Gamma_h=\sum_{i=h+1}^{n} r_i r_{i-h}, \qquad \Gamma_{-h}=\Gamma_h. \] Pada sela sifar, \(\Gamma_0=\sum_{i=1}^n r_i^2\), iaitu varians terealisasi biasa. Pada sela satu, hasil darabnya melibatkan pulangan bersebelahan. Di bawah hingar harga aditif yang bebas, komponen hingar pada pulangan bersebelahan mempunyai tanda berlawanan: ralat pemerhatian menaikkan satu pulangan lalu menurunkan pulangan berikutnya. Corak ini kerap menghasilkan autokovarians sela satu yang negatif. Secara lebih umum, corak pada beberapa sela boleh menunjukkan kesan hingar terhadap siri pulangan.

Jumlah sela tidak dibahagi dengan bilangan hasil darab. Perincian ini penting kerana realized kernel menggabungkannya pada skala yang sama dengan jumlah varians terealisasi. Penganggar ini berkaitan dengan penganggar varians jangka panjang tahan heteroskedastisiti dan autokorelasi, tetapi bukan sekadar jumlah autokorelasi sampel ternormal yang dipilih sesuka hati. Pengendalian titik hujung dan konvensyen penjumlahan tepat ialah sebahagian daripada takrif penganggar.

Autokovarians tidak menandakan tick tertentu sebagai “hingar” atau “isyarat”; ia mengagregatkan hasil darab silang sepanjang sela. \(\Gamma_1\) negatif boleh selaras dengan lantunan bid–ask, tetapi bukan bukti mekanisme tertentu dengan sendirinya. Jika pulangan sebenar berkorelasi secara bersiri atau struktur hingar berbeza, autokovarians yang sama boleh mencerminkan beberapa kesan. Anggaran bergantung pada model yang dinyatakan dan pemberat kernel, bukannya diagnosis pasaran secara langsung bagi setiap sela.

Bagi sela maksimum \(H\), satu konvensyen sampel terhingga yang lazim mentakrifkan \[ \widehat{IV}_{RK}(H)=\Gamma_0+2\sum_{h=1}^{H} k\!\left(\frac{h}{H}\right)\Gamma_h. \] Faktor 2 merangkumi sebutan sela negatif yang simetri. \(k(x)\) ialah pemberat kernel pada \(0\le x\le1\), dengan \(k(0)=1\) dan pemberat yang menyusut secara licin ke arah sifar berhampiran jalur. Kertas dan perisian mungkin menggunakan konvensyen titik hujung atau indeks yang sedikit berbeza, seperti \(H+1\) pada penyebut. Nyatakan konvensyen yang digunakan dan gunakannya secara konsisten agar hasil boleh diulang.

Pilihan bukan negatif yang lazim ialah 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 pemberat besar kepada sela pendek dan mengurangkan pemberat sela lebih jauh secara licin. Taper licin ini berguna kerana hingar frekuensi tinggi boleh mewujudkan kebergantungan antara pulangan, manakala anggaran sela jauh semakin berubah-ubah. Pembinaan Parzen bukan negatif direka supaya anggaran realized-kernel univariat kekal bukan negatif di bawah pelaksanaan yang dinyatakan. Kernel lain tidak semestinya mempunyai sifat itu. Kernel flat-top boleh memberi tingkah laku bias yang baik, tetapi menghasilkan anggaran sampel terhingga yang negatif.

Rajah yang mengiringi panduan ini ialah analogi untuk taper tersebut: sumbangan sela berdekatan ditonjolkan dan sela yang jauh semakin pudar. Ia bukan plot pulangan terukur, pemberat empirikal daripada sampel tertentu atau keluaran anggaran turun naik.

<!-- learn:illustration -->

Jalur \(H\) ialah sela terbesar yang dimasukkan dalam jumlah. Jika terlalu kecil, penganggar mungkin tidak menangani sebahagian kebergantungan bersiri akibat hingar pemerhatian. Jika terlalu besar, hasil darab sela yang berhingar turut dimasukkan dan varians pensampelan boleh meningkat. Oleh itu jalur ialah pilihan penalaan statistik, bukan bilangan pemerhatian untuk dibuang dan bukan sela masa yang sentiasa sesuai bagi setiap aset.

Dalam teori asimptotik realized kernel Parzen, jalur optimum berkembang pada tertib \(n^{3/5}\). Satu ungkapan praktikal yang digunakan dalam literatur ialah \[ H^*=c^*\,\xi^{4/5}n^{3/5}, \qquad c^*_{\text{Parzen}}=3.5134, \] dengan \(n\) bilangan pulangan pada grid halus dan \(\xi\) merumuskan tahap hingar relatif serta kurtosis kuartik harga terpendam. Satu ungkapan skalanya ialah \[ \xi^2=\frac{\omega^2}{\sqrt{T\int_0^T\sigma_u^4\,du}}, \] dengan \(\omega^2\) varians hingar pemerhatian. Dalam praktik, nilai ini tidak diketahui dan perlu dianggarkan, lazimnya menggunakan anggaran rintis varians hingar dan kurtosis kuartik bersepadu. Formula ini menerangkan pergantungan bilangan sela optimum pada saiz sampel serta persekitaran hingar-isyarat; ia bukan tetapan universal yang tetap.

Reka bentuk asimptotik memerlukan jalur meningkat tetapi kekal kecil berbanding saiz sampel, lazimnya ditulis \(H\to\infty\) dan \(H/n\to0\). Peraturan \(n^{3/5}\) mengimbangi bias dan varians utama di bawah model dan syarat kernel dalam kertas tersebut. Dalam satu sesi terhingga, anggaran plug-in boleh tidak stabil jika anggaran rintis hingar atau kurtosis kuartik kurang baik. Laporkan \(H\) yang dipilih, konvensyen yang digunakan, input rintis dan analisis sensitiviti terhadap pilihan lain yang munasabah.

Pertimbangkan jujukan pulangan hipotetikal yang sengaja kecil, dalam mata asas: \[ (r_1,r_2,r_3,r_4)=(1,-1,1,-1)\ \mathrm{bp}. \] Jujukan ini hanya untuk menyemak aritmetik. Ia bukan data pasaran, dan empat pulangan terlalu sedikit untuk membenarkan pilihan jalur asimptotik. Jumlah sela sifar ialah \[ \Gamma_0=1^2+(-1)^2+1^2+(-1)^2=4\ \mathrm{bp}^2. \]

Hasil darab sela satu semuanya \(-1\), maka \(\Gamma_1=-3\ \mathrm{bp}^2\). Pada sela dua, hasil darabnya \(r_3r_1=1\) dan \(r_4r_2=1\), jadi \(\Gamma_2=2\ \mathrm{bp}^2\).

Tetapkan \(H=2\) untuk menunjukkan formula sahaja. Bagi kernel Parzen, \(k(1/2)=1-6(1/4)+6(1/8)=1/4\), manakala \(k(1)=0\). Oleh itu \[ \widehat{IV}_{RK}=4+2\left(\tfrac14\right)(-3)+2(0)(2) =2.5\ \mathrm{bp}^2. \]

Varians terealisasi biasa ialah \(4\ \mathrm{bp}^2\); sebutan negatif berpemberat pada sela satu menurunkan anggaran kernel dalam contoh ini. Jumlah sela dua tidak menyumbang kerana pemberat Parzen di sempadan itu sifar. Hasilnya bukan negatif, tetapi aritmetik itu sahaja tidak membuktikan nilainya sama dengan variasi harga cekap yang terpendam. Laluan terpendam tidak diperhatikan, selang ketidakpastian tidak dikira dan tiada kesimpulan ramalan atau dagangan yang boleh dibuat. Punca kuasa duanya, kira-kira \(1.58\) bp, hanya skala sisihan piawai bagi sela hipotetikal ini.

Contoh ini juga menunjukkan mengapa jalur dan peraturan pengindeksan perlu dilaporkan bersama anggaran. Nilai \(H\), konvensyen titik hujung atau pulangan yang berbeza akan mengubah pemberat atau hasil darab yang disertakan. Output angka boleh diulang kerana setiap pulangan, jumlah sela, pemberat dan unit ditunjukkan.

Jumlah sela tanpa normalisasi boleh memberi pengaruh berlebihan kepada pemerhatian hujung, terutamanya jika harga pertama atau terakhir mengandungi ralat hingar besar. Makalah praktik realized kernel membincangkan pemurataan setempat, yang sering dipanggil jittering, untuk mengurangkan kesan hujung. Pelaksanaan lazim menggantikan harga hujung dengan purata setempat bagi pemerhatian berhampiran sebelum pulangan dikira. Saiz tetingkap serta keputusan untuk memuratakan satu atau kedua-dua hujung ialah pilihan pelaksanaan yang perlu dihuraikan.

Pembersihan data boleh sama penting dengan formula. Satu cetakan harga yang salah, sebut harga lapuk, pasaran silang, cap masa berganda atau ralat skala harga boleh menghasilkan pulangan dan hasil darab sela yang memasuki beberapa jumlah. Dokumentasikan medan harga, penjajaran cap masa, sempadan sesi, pengendalian pendua, penapis, serta cara lelongan dan penutupan pasaran diperlakukan. Tetapkan peraturan pembersihan tanpa bergantung pada sama ada ia menjadikan anggaran akhir nampak lebih munasabah.

Kajian praktik realized kernel 2009 membincangkan data transaksi dan sebut harga, kesan hujung, arah aliran setempat dan kernel Parzen bukan negatif. Pengajaran praktiknya: “tahan hingar” tidak bermaksud “tidak terikat pada data”. Komponen harga yang berubah secara beransur dalam tetingkap pendek, friksi pasaran yang berubah atau pembinaan sebut harga boleh mencabar tafsiran asas. Jittering boleh mengurangkan satu masalah hujung, tetapi tidak membaiki siri yang tidak sejajar atau pemerhatian buruk di tengah sampel.

Teori klasik dibangunkan dengan andaian tentang proses harga terpendam, pensampelan, hingar, keteraturan kernel dan jalur. Sesetengah pembinaan realized kernel tahan terhadap bentuk hingar bersiri yang lebih umum dan masa pemerhatian endogen berbanding contoh hingar bebas yang paling mudah. Ketahanan itu khusus kepada teorem tertentu: kernel dan jalur mesti memenuhi syarat berkaitan. Kajian Aït-Sahalia, Mykland dan Zhang tentang hingar mikrostruktur bersandar membantu menjelaskan mengapa kebergantungan hingar perlu ditangani secara nyata, bukannya menganggap semua peluasan terbit secara automatik daripada formula asas.

Pilihan kernel penting. Parzen lazim digunakan untuk anggaran univariat bukan negatif. Pemberat flat-top menyasarkan sifat bias yang berbeza dan boleh menghasilkan anggaran negatif dalam sampel terhingga. Jangan menggantikan kernel HAC sewenang-wenangnya hanya kerana bentuknya kelihatan serupa: literatur realized kernel menjelaskan bahawa sesetengah pilihan yang nampak biasa, termasuk pilihan Bartlett dalam pembinaan yang dianalisis, tidak memberikan hasil ketekalan yang sama. Jika anggaran negatif, nyatakan kernel dan peraturan sampel terhingga; jangan memotongnya kepada sifar secara senyap atau menyebutnya varians fizikal negatif.

Hasilnya turut mewarisi batasan proksi harga dan sasaran. Lonjakan boleh menjadi sebahagian variasi kuadratik; nilai terpencil boleh menguasai hasil darab; pemerhatian tidak sekata atau tidak segerak boleh mengubah kuantiti yang dianggarkan; dan turun naik atau hingar boleh berubah sepanjang sela. Realized kernel univariat tidak menyelesaikan sendiri pensampelan multivariat tak segerak, membuang lonjakan atau membezakan lantunan bid–ask daripada semua punca kebergantungan pulangan lain. Penganggar hanya tahan dalam model yang dinyatakan, bukan terhadap setiap kecacatan data yang mungkin.

Laporan yang boleh diulang perlu menyatakan siri harga dan reka bentuk pensampelan, tetingkap pemerhatian, unit pulangan, fungsi kernel, sela maksimum \(H\), konvensyen titik hujung, peraturan pemurataan hujung dan pembersihan data. Jika jalur plug-in digunakan, laporkan input anggaran hingar dan kurtosis kuartik atau butiran secukupnya untuk mengira semula. Nyatakan sama ada hasilnya ialah anggaran varians bersepadu, anggaran variasi kuadratik yang merangkumi lonjakan atau ukuran turun naik yang telah ditransformasikan.

Anggaran itu menghuraikan variasi sepanjang sela sampel. Ia bukan anggaran turun naik masa depan melainkan model ramalan berasingan memetakan ukuran sejarah ke ufuk masa depan dan dinilai di luar sampel. Ia juga bukan sebut harga spread atau anggaran kos pelaksanaan: panduan spread bid–ask Roll menggunakan autokovarians pulangan untuk menganggar kuantiti yang berbeza. Panduan realized volatility dua skala menyediakan pendekatan tahan hingar lain dengan struktur pembetulan yang berlainan.

Persoalan utama bukan sekadar sama ada realized kernel patut digunakan. Yang penting ialah sama ada data harga, reka bentuk pensampelan, sasaran, kernel dan jalur cukup sesuai dengan soalan kajian untuk menyokong tafsiran yang dilaporkan. Jadual sensitiviti dan had model yang nyata memudahkan semakan. Anggaran yang teliti tetap ukuran sejarah dengan ketidakpastian pensampelan; ia tidak membuktikan strategi dagangan menguntungkan atau menjamin kesan mikrostruktur telah lenyap.