De Lee–Mykland-sprongtest: intraday-prijssprongen detecteren

Gerealiseerde variantie telt intraday-rendementen in het kwadraat op over een sessie. Bipower variation kan onder bepaalde aannames over sprongen en steekproeven het continue deel van de variatie schatten. Beide vatten een periode samen en vertellen dus niet wanneer een uitzonderlijk grote beweging plaatsvond. De methode van Lee en Mykland beoordeelt rendementen per interval en vergelijkt ieder kandidaat met volatiliteit uit de direct voorafgaande rendementen.

Dat onderscheid is nuttig voor eventstudies, volatiliteitsmodellen en de timing van sprongen. Een rendement van 1% kan uitzonderlijk zijn in een rustige markt en normaal tijdens een volatiele sessie. Standaardiseren met recente lokale volatiliteit houdt rekening met de veranderende schaal. De methode is ontwikkeld om het optreden en de gerealiseerde omvang van intraday-sprongen te detecteren, niet om de oorzaak of verhandelbaarheid van een beweging vast te stellen (Lee & Mykland, 2008).

De nulhypothese gaat over het prijsproces in een bepaald interval: er was daar geen sprong, gegeven een continu component dat aan reguliere voorwaarden voldoet. De hypothese zegt niet dat het rendement nul is. Continue prijspaden kunnen grote rendementen opleveren, vooral bij hoge volatiliteit. Een grens die alleen op de omvang van de beweging is gebaseerd, volstaat daarom niet.

Laat \(P_i\) de prijs zijn die op een regelmatig rooster op tijdstip \(t_i\) is waargenomen. Het logrendement voor interval \(i\) is

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

Gebruik een consistente prijsreeks en steekproefgrid. Transactieprijzen, het midden van bied en laat of een andere vastgelegde proxy zijn mogelijk, maar een andere proxy kan zowel het rendement als de sprongclassificatie veranderen. Behandel sessieopeningen en -sluitingen, veilingen, handelsstops en ontbrekende koersen expliciet. Meng rendementen van slot naar opening niet ongemerkt met gewone intraday-intervallen.

Regelmatige steekproeven zijn van belang omdat de lokale schaal en de extremewaardedrempel voor een bepaald observatieschema zijn afgeleid. Kies bij onregelmatige waarnemingstijden eerst een verdedigbare synchronisatie- of steekproefregel en leg uit welke informatie verloren gaat. De formule verwijdert geen verouderde koersen, crossed markets, foutieve tijdstempels of losse registratieproblemen. Prijzen van verschillende handelsplaatsen of activa zijn niet vanzelf synchroon.

De test gebruikt waargenomen rendementen, geen latente prijzen. De oorspronkelijke theorie gebruikt hoogfrequente semimartingaalmodellen met voorwaarden die niet automatisch gelden voor elke koersfeed of digitale-activabeurs. Leg databron, tijdzone, grid, sessie en filters vast zodat de reeks reproduceerbaar is.

Schat op kandidaattijdstip \(t_i\) de lokale variantie met rendementen vóór \(r_i\):

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

\(K\) bepaalt de grootte van het rollende venster. De som bevat producten van aangrenzende absolute rendementen; kandidaat \(r_i\) zelf telt niet mee. Deze bipower-variationvorm helpt voorkomen dat een eerdere geïsoleerde sprong de schaal voor een later interval domineert. De literatuur over gerealiseerde volatiliteit beschrijft waarom sommen en producten van hoogfrequente rendementen verschillende eigenschappen van kwadratische variatie kunnen schatten (Barndorff-Nielsen & Shephard, 2002).

De schatting is een lokale schaal, geen volatiliteitsvoorspelling voor de hele sessie. Een kort venster past zich snel aan maar kan instabiel zijn; een lang venster is gladder maar kan achterlopen op een volatiliteitsverandering. In de oorspronkelijke asymptotische redenering groeit \(K\) wanneer het steekproefinterval kleiner wordt, terwijl \(K\) kort blijft ten opzichte van de hele horizon. Leg voor eindige steekproeven de keuze vast en voer een gevoeligheidsanalyse uit; er bestaat geen universele \(K\) voor alle activa, grids en marktomstandigheden.

Bepaal ook wat er gebeurt bij een nul- of bijna-nulschatting. Delen door een zeer kleine schaal kan van een minimale prijsstap een extreme statistiek maken. Vervang zo'n waarde niet stilzwijgend door een willekeurige ondergrens: rapporteer de regel, controleer de onderliggende koersen en laat zien of redelijke alternatieven de gemarkeerde intervallen veranderen.

De lokale sprongstatistiek is

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

Het teken behoudt de richting van het waargenomen rendement; de absolute waarde meet de beweging ten opzichte van de voorafgaande lokale schaal. De noemer gebruikt producten van aangrenzende absolute rendementen zonder de gebruikelijke bipower-normalisatieconstante. Onder de sprongloze asymptotiek van het artikel is \(L_i\) ongeveer \(Z_i/c\), met \(Z_i\) standaardnormaal en \(c=E|Z_i|=\sqrt{2/\pi}\). Als je \(L_i\) als standaardnormale statistiek behandelt, gebruik je dus de verkeerde referentieverdeling.

Een grote \(|L_i|\) markeert een kandidaat, geen automatische bevinding. De test beoordeelt de waarde met inachtneming van steekproefschema, venster en het aantal onderzochte intervallen. Een positieve statistiek betekent een waargenomen opwaarts rendement; een negatieve een neerwaarts rendement. Het teken identificeert geen economische oorzaak en onderscheidt op zichzelf geen sprong, continue beweging of gegevensfout.

De afbeelding hieronder vergelijkt één kandidaat-rendement met een lokale schaal op basis van eerdere intervallen. Dit is een conceptueel beeld, geen koersgrafiek of gedetecteerde gebeurtenis.

<!-- 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. -->

Bij het doorzoeken van \(n\) intervallen kan een puntdrempel die \(n\) keer wordt toegepast valse alarmen opleveren, alleen omdat veel waarnemingen zijn bekeken. Lee–Mykland kalibreert het maximum van de absolute statistiek over de horizon. Met \(c=\sqrt{2/\pi}\), definieer

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

Onder de sprongloze asymptotische voorwaarden van het artikel,

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

heeft de statistiek een standaard Gumbel-limietverdeling met cumulatieve verdelingsfunctie \(F(x)=\exp(-e^{-x})\). Bij sessieniveau \(\alpha\) is de kritieke waarde

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

Markeer een interval als \((|L_i|-C_n)/S_n>\beta_\alpha\). De maximumkalibratie houdt rekening met het zoeken over intervallen binnen de genoemde horizon. Ze corrigeert niet automatisch voor herhaalde scans over veel activa, dagen, steekproefgrids of modelvarianten. Voor die extra vergelijkingen zijn een eigen ontwerp en rapportage nodig.

Stel dat de drie rendementen vóór een kandidaatinterval \(-0,40\%\), \(+0,30\%\) en \(-0,20\%\) zijn. Neem \(K=4\) alleen om de berekening kort te houden:

\[ \widehat{\sigma}_i^2 = \frac{|0,30||-0,40|+|-0,20||0,30|}{2} = 0,09\;(\%)^2, \qquad \widehat{\sigma}_i=0,30\%. \]

Als het volgende rendement \(+1,20\%\) is, bedraagt de lokale statistiek \(L_i=1,20/0,30=4\). Het waargenomen rendement is dan vier keer de illustratieve lokale schaal; dat betekent nog niet dat de test verwerpt.

Voor een voorbeeldsessie met \(n=78\) intervallen geven de asymptotische formules \(C_n\approx3,14\) en \(S_n\approx0,424\). Bij een sessiesignificantieniveau van 1% is \(\beta_\alpha\approx4,60\), zodat de drempel ongeveer \(3,14+0,424(4,60)=5,10\) is. De statistiek 4 blijft daaronder; in dit voorbeeld wordt het interval op dat niveau dus niet gemarkeerd. De waarden zijn hypothetisch en de maximumbenadering kan bij deze steekproefomvang onnauwkeurig zijn. Het kleine venster \(K=4\) illustreert alleen de rekensom en is geen aanbevolen instelling.

Dit voorbeeld laat zien waarom “vier standaarddeviaties” geen volledige beschrijving van een Lee–Mykland-beslissing is. De referentieschaal, asymptotische normalisatie, vensterlengte, aantal intervallen en significantieniveau beïnvloeden allemaal de drempel. Vermeld ze samen met een aantal sprongen of gebeurtenissenlijst.

Een fijner grid geeft theoretisch betere tijdsresolutie, maar legt ook meer koersruis, prijsdiscretisatie en tijdstempelverschillen bloot. Een grover grid vlakt sommige kortstondige variatie af, maar kan een sprong samenvoegen met aangrenzende continue rendementen of meerdere bewegingen binnen één interval verbergen. Het grid verandert dus zowel wat de test kan detecteren als hoe goed de aannames bij de waarnemingen passen.

Venster \(K\) hangt samen met het grid. Te weinig voorafgaande rendementen maken de lokale bipower-schatting grillig; te veel kunnen verschillende volatiliteitsregimes mengen en het begrip “lokaal” uithollen. Rapporteer \(K\) zowel in waarnemingen als in kloktijd, vermeld of het venster bij sessiegrenzen opnieuw begint en laat zien hoe de gebeurtenissenlijst onder verdedigbare alternatieven verandert. Neem geen vensteradvies uit een andere markt, sessieduur of frequentie over zonder controle.

De standaard Lee–Mykland-instelling is geen algemene oplossing voor microstructuurruis. Pre-averaging en andere ruisbewuste procedures veranderen rendement- of volatiliteitsschattingen en vereisen passende inferentie; het zijn geen verwisselbare filters die je zonder aanpassing kunt toevoegen (Aït-Sahalia, Jacod & Li, 2012). De gids over pre-averaging en de gids over two-scale gerealiseerde volatiliteit leggen twee verwante benaderingen voor ruisachtige hoogfrequente prijzen uit.

Een gemarkeerd rendement is bij de gekozen drempel lastig te verenigen met de nulhypothese van een continu pad. Het bevestigt niet dat een geplande aankondiging, beursstoring, liquidatiegolf of andere oorzaak de beweging veroorzaakte. Vergelijk het tijdstip met geverifieerde gebeurtenisgegevens, inspecteer transacties en koersen en controleer of de beweging na het interval aanhoudt. Houd die verklaringen gescheiden van de statistische test.

Deze procedure verschilt ook van een vergelijking aan het einde van de dag tussen gerealiseerde variantie en bipower variation. De Lee–Mykland-statistiek lokaliseert intervallen ten opzichte van lokale volatiliteit; een dagverschil schat geaggregeerde sprongvariatie onder andere aannames. De bipower-variationgids en de gids over gerealiseerde volatiliteit behandelen deze periodematen. De power-variationtest van Aït-Sahalia en Jacod toetst sprongen in een discreet waargenomen pad met een andere constructie. Doel en aannames verschillen; overeenstemming of verschil valideert een Lee–Mykland-lijst niet rechtstreeks.

Bij strategieonderzoek is een spronglabel een invoer voor vervolgonderzoek, geen koop- of verkoopinstructie. Een backtest moet rekening houden met het moment waarop het signaal beschikbaar komt, spread en slippage, latency, overlappende gebeurtenisvensters en evaluatie buiten de steekproef. Stel een passend verlies- of risicodoel vast en vergelijk met een geschikte benchmark. Een historisch gemarkeerd rendement toont niet aan dat een volgende gebeurtenis voorspelbaar of winstgevend verhandelbaar is.