Bipower variation: uitleg over sprongrobuuste gerealiseerde volatiliteit

Gerealiseerde hoogfrequente variantie telt de gekwadrateerde intradaylogrendementen op. Als het bemonsteringsinterval onder een geschikt semimartingaalmodel kleiner wordt, convergeert RV naar de kwadratische variatie. Bevat het prijspad zowel een continue diffusie als sprongen, dan omvat die limiet de geïntegreerde variantie plus de som van de gekwadrateerde sprongen. RV meet dus de totale variatie achteraf, maar maakt op zichzelf niet duidelijk welk deel uit continue beweging en welk deel uit discontinuïteiten bestaat.

Bipower variation gebruikt een andere bouwsteen: in plaats van één rendement te kwadrateren, vermenigvuldigt zij de absolute waarden van twee naburige rendementen. In het limietmodel valt een geïsoleerde sprong doorgaans in één rendementsinterval, terwijl het aangrenzende rendement meestal een kleine diffusie-increment is. Naarmate het raster fijner wordt, krimpt het product van het sprongrendement met zijn buur; producten van aangrenzende diffusierendementen blijven de continue variatie opbouwen. Barndorff-Nielsen en Shephard introduceerden het gebruik van power variation en bipower variation om onder gespecificeerde modellen geïntegreerde variantie te scheiden van variatie door zeldzame sprongen (Barndorff-Nielsen & Shephard, 2004).

Het doel is de historische geïntegreerde variantie \(\int_0^T \sigma_t^2\,dt\), geen voorspelling van de volatiliteit in de volgende periode. De gids voor de berekening van gerealiseerde volatiliteit licht de maat op basis van gekwadrateerde rendementen toe; dit artikel legt uit waarom producten van aangrenzende absolute rendementen anders reageren op sprongen.

Neem een logprijsproces over een vast tijdvenster:

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

waarbij de eerste term na \(X_0\) een drift met eindige variatie is, \(\sigma_t\) de onmiddellijke diffusievolatiliteit en \(J_t\) het sprongcomponent. De kwadratische variatie van dit proces valt uiteen in

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

met \(\Delta X_t=X_t-X_{t-}\). Het eerste deel is continue geïntegreerde variantie; het tweede is sprongvariatie. Een sprong draagt bij met zijn omvang in het kwadraat, ongeacht of hij positief of negatief is. De gids voor kwadratische variatie in de financiële sector legt uit waarom deze padgrootheid verschilt van de variantie van een verzameling statische prijzen.

Met \(n\) intradaylogrendementen \(r_i=X_{i\Delta}-X_{(i-1)\Delta}\), waarbij \(\Delta=T/n\), is de gerealiseerde variantie

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

Als de intervallen onder de gebruikelijke semimartingaalvoorwaarden kleiner worden, schat \(RV_n\) de volledige kwadratische variatie, inclusief sprongen. Een volatiliteitsrapport dat RV zonder een aanname van geen sprongen „continue volatiliteit” noemt, vermengt dus twee doelvariabelen.

Laat \(Z\) standaardnormaal verdeeld zijn en \(\mu_1=E|Z|=\sqrt{2/\pi}\). Een gangbare definitie van gerealiseerde bipower variation is

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

De factor \(\pi/2\) normaliseert het product van absolute Gaussische incrementen naar de schaal van continue variantie. De factor \(n/(n-1)\) is een eindpuntcorrectie voor kleine steekproeven in een gangbare conventie. Sommige definities laten die weg omdat hij naar één gaat als \(n\) toeneemt. Vermeld de gebruikte conventie wanneer je resultaten vergelijkt.

De som gebruikt overlappende aangrenzende paren: rendement 2 wordt gekoppeld aan rendement 1, rendement 3 aan rendement 2, enzovoort. De maat classificeert waarnemingen niet als „sprong” of „geen sprong”. Het asymptotische resultaat berust er juist op dat bij sprongen met eindige activiteit slechts een eindig aantal kleine buurten een sprong bevat wanneer het raster fijner wordt, terwijl producten van naburige diffusierendementen de limiet van continue geïntegreerde variantie vormen. De limiettheorie laat onder haar aannames breed gedrag van stochastische volatiliteit toe, waaronder afhankelijkheid van het type hefboomwerking (Barndorff-Nielsen et al., 2006).

<!-- learn:illustration -->

Stel dat één hypothetische sessie zeven logrendementen in basispunten bevat:

Neem aan dat het vierde rendement één hypothetische sprong van \(+12\) bp bevat en dat de continue beweging in dat interval verwaarloosbaar is. Dan geldt

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

De zes producten van aangrenzende absolute rendementen tellen op tot \(4.60\ \mathrm{bp}^2\). Met de genoemde eindpuntcorrectie wordt dat

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

Het kwadraat van de ingevoegde sprong is \(12^2=144\ \mathrm{bp}^2\). Het verschil is niet precies 144: de aangrenzende producten bij de sprong bevatten termen \(12\times0.1\), en een steekproef van zeven rendementen heeft ook gewone eindige-steekproefvariatie. Dit kleine verzonnen voorbeeld maakt de berekening controleerbaar. Het zijn geen waargenomen marktgegevens en het beweert niet dat het verschil over een kort venster de sprongvariatie nauwkeurig terugwint.

Het gebruikelijke consistentieresultaat is voorwaardelijk. Voor een continue semimartingaal met stochastische volatiliteit en een eindig aantal sprongen in het venster convergeert BV naar de continue geïntegreerde variantie als de waarnemingen steeds fijner worden genomen zonder microstructuurruis. In dezelfde opzet convergeert \(RV_n-BV_n\) naar de som van de gekwadrateerde sprongen. Dit is een asymptotische scheiding, geen garantie voor elke rendementsreeks of elk eindig raster.

De aanname van eindige activiteit is belangrijk. Bij veel kleine sprongen of oneindige sprongactiviteit kan sprongvariatie een niet-verwaarloosbare bijdrage leveren aan producten van aangrenzende absolute rendementen. Het standaardresultaat voor BV kan er dan niet in slagen uitsluitend de Brownse component te isoleren. Uitbreidingen, afkappen of andere sprongtests kunnen nodig zijn; elk heeft eigen aannames. Aït-Sahalia en Jacod ontwikkelden een aparte hoogfrequente sprongtest met een bredere semimartingaalreikwijdte. Dit is een alternatief testkader, geen bewijs dat gewone BV elk sprongproces aankan (Aït-Sahalia & Jacod, 2009).

Ook het waarnemingsontwerp telt. Rendementen moeten betrekking hebben op hetzelfde venster en een verdedigbare prijsreeks. Schaarse intervallen, verouderde koersen, asynchrone handel, nachtelijke gaten en sprongen rond sessiegrenzen verzwakken de interpretatie van een fijn raster. Vaker bemonsteren helpt alleen als waarnemingen dichter bij de latente efficiënte prijs komen in plaats van extra microstructuurruis toe te voegen.

Onder het asymptotische ruisvrije model met eindige sprongactiviteit schat RV min BV de sprongvariatie. In een eindige steekproef kan het verschil negatief zijn, hoewel de som van gekwadrateerde sprongen niet negatief kan zijn. Dat komt doordat RV en BV ruisachtige schatters van verschillende limieten zijn. Zet negatieve waarden niet stilzwijgend op nul: afkappen verandert het steekproefgedrag van de schatter en moet als expliciete regel worden gerapporteerd.

Een statistische toets stelt een andere vraag: is het waargenomen verschil groot ten opzichte van de steekproefonzekerheid onder een nulhypothese zonder sprongen? Barndorff-Nielsen en Shephard leiden asymptotische toetsen af op basis van gerealiseerde power variation en bipower variation. Toepasbare versies schatten de relevante quarticity, vaak met multipower-maten, in plaats van het ruwe verschil als significantiedrempel te behandelen (Barndorff-Nielsen & Shephard, 2006). Threshold bipower variation is later ontwikkeld om sprongvertekening in kleine steekproeven te beperken en inferentie onder alternatieven met sprongen te ondersteunen (Corsi, Pirino & Reno, 2010).

Een gedetecteerde sprong blijft een modelgebaseerde statistische classificatie bij een gekozen bemonsteringsfrequentie en een gekozen significantieniveau. Ze identificeert geen nieuwsgebeurtenis, bewijst niet dat een handelaar tegen de geregistreerde prijs kon handelen en toont geen winstgevende strategie aan.

Klassieke BV is geen ruisrobuuste hoogfrequente schatter. Bij een waargenomen prijs \(Y_{t_i}=X_{t_i}+\epsilon_{t_i}\) voegen bid-ask-bounce, afronding en koersupdates ruis toe aan elk rendement. Omdat BV aangrenzende absolute rendementen vermenigvuldigt, verdwijnt de ruis niet doordat de formule aangrenzende producten gebruikt. Bij zeer fijne bemonstering kan de ruisbijdrage juist belangrijker worden.

Dit is een ander probleem dan sprongen. Realized kernels en two-scale realized variance richten zich met andere constructies op volatiliteitsschatting bij microstructuurruis. Ze zijn niet uitwisselbaar met gewone BV, en robuustheid tegen ruis betekent niet automatisch robuustheid tegen sprongen. De gids voor realized kernels beschrijft een methode die op ruis is gericht.

Als de onderzoeksvraag zowel ruis als sprongen omvat, gebruik dan een methode die voor beide eigenschappen is afgeleid en vermeld de voorwaarden. Podolskij en Vetter ontwikkelden modulated bipower variation voor ruisachtige waarnemingen en constructies die robuust zijn tegen sprongen met eindige activiteit. Dat is een aangepaste schatter, niet de bovenstaande ongecorrigeerde formule (Podolskij & Vetter, 2009). Praktische alternatieven zijn minder frequent bemonsteren, pre-averaging, drempelmaten of een ruisrobuuste schatter. Elke keuze verandert de estimand, afstelparameters of onzekerheidsberekening.

Onder de aannames schat BV een historische component van continue geïntegreerde variantie. RV schat de totale kwadratische variatie van een pad met sprongen. Het verschil kan asymptotisch de kwadratische sprongvariatie schatten. Geen van deze grootheden is automatisch een voorspelling, risicolimiet of instapsignaal. Een voorspelmodel kan eerdere RV en BV als afzonderlijke voorspellers gebruiken, maar voorspellende waarde moet buiten de steekproef worden beoordeeld met controle voor informatietiming en transactiekosten.

De wortel van een variantieschatting is pas een volatiliteitsmaat als het tijdvenster en de eenheid duidelijk zijn. Zijn rendementen uitgedrukt in basispunten, dan is variantie in bp² en de wortel in bp voor het bemonsterde venster. Annualiseren vereist een expliciete aanname over tijdschaling. Vermenigvuldigen met een kalenderfactor verwijdert geen sprongen, microstructuurruis of keuzes rond nachtelijke metingen. De gids voor sprongrisico bespreekt waarom discontinuë prijsveranderingen relevant zijn voor hedge-exposure, maar maakt van een historische BV-decompositie geen handelsinstructie.

Noem het activum, de prijsinput (transacties, quotes of middenkoers), de rendementsdefinitie, bemonsteringsfrequentie, sessiegrenzen en de behandeling van nachtelijke intervallen en ontbrekende waarnemingen. Rapporteer de formules voor RV en BV, de normalisatieconventie voor eindige steekproeven, het aantal rendementen en de eenheden. Toon bij \(RV-BV\) het ruwe verschil en vermeld of een drempel, truncatie of afkapping op niet-negatieve waarden is toegepast.

Leg uit welk model de interpretatie ondersteunt: continue stochastische volatiliteit met sprongen van eindige activiteit, of een ruimer sprongmodel met een andere schatter. Vermeld correcties voor microstructuurruis, de sprongteststatistiek, quarticityschatting, significantieniveau en correctie voor meervoudig toetsen. Rapporteer ook een onzekerheidsmaat naast de decompositie.

De waarde van bipower variation is dat producten van aangrenzende absolute rendementen een limiet voor continue variatie behouden en tegelijk het asymptotische effect van geïsoleerde sprongen met eindige activiteit verkleinen. De beperkingen horen erbij: de standaardformule is geen universeel sprongfilter, geen significantietoets en geen correctie voor microstructuurruis. Houd die grenzen zichtbaar bij gebruik in onderzoek of risicoanalyse.