Estymatory realized kernel: pomiar zmienności przy szumie mikrostruktury

Bez szumu sumowanie kwadratów zwrotów śróddziennych jest naturalnym sposobem szacowania zmienności w obserwowanym przedziale. Ceny transakcyjne i kwotowania mogą jednak zawierać odbijanie między bid i ask, dyskretność cen, opóźnienia lub błędy zapisu. Różnicowanie dwóch zaszumionych cen przenosi oba błędy obserwacji do zwrotu, a sąsiednie zwroty współdzielą jeden z tych błędów z przeciwnym znakiem. Autokowariancje szeregowe zwrotów niosą więc informację o szumie obserwacji.

Zwykła wariancja zrealizowana wykorzystuje tylko iloczyn zwrotów dla opóźnienia zerowego, czyli sumuje kwadraty zwrotów. Przy bardzo częstym próbkowaniu suma może gromadzić szum szybciej, niż wychwytuje nowe ruchy ceny ukrytej. Realized kernel dodaje do składnika z opóźnieniem zerowym ważone autokowariancje dla dodatnich i ujemnych opóźnień. Przy odpowiednich założeniach i wzroście pasma składniki dla opóźnień niezerowych pomagają zrównoważyć główny efekt szumu, zachowując zmienność ceny efektywnej.

Barndorff-Nielsen, Hansen, Lunde i Shephard opracowali realized kernels do pomiaru zmienności ex post przy tarciach rynkowych w swoim oryginalnym artykule w Econometrica. To starannie ważone obliczenie wariancji długookresowej, a nie zalecenie, by bez sprawdzania danych używać każdego ticku. Prostszy punkt odniesienia dla wysokiej częstotliwości opisuje przewodnik obliczania realized volatility. Ten artykuł skupia się na korekcie kernelem i związanych z nią wyborach.

Niech \(X_t\) oznacza ukrytą efektywną cenę logarytmiczną, a zapisana cena logarytmiczna w chwili \(t_i\) będzie równa \[ Y_{t_i}=X_{t_i}+\epsilon_{t_i}, \] gdzie \(\epsilon_{t_i}\) to szum mikrostruktury rynku. Typowy model bazowy traktuje cenę ukrytą jako proces ciągły z lokalną szybkością wariancji \(\sigma_t^2\). Celem na stałym przedziale \([0,T]\) jest \[ IV_T=\int_0^T \sigma_t^2\,dt. \]

Najprostsze wyprowadzenie zakłada, że szum ma średnią zero, jest niezależny w czasie i od procesu ceny efektywnej oraz ma stałą wariancję. Dzięki temu łatwiej dostrzec źródło korekty. Rzeczywiste transakcje i kwotowania mogą naruszać te założenia: szum może być zależny szeregowo, zmieniać się w czasie, wiązać się z ceną efektywną lub zależeć od sposobu wyboru momentów obserwacji.

Jeśli proces ukryty zawiera skoki, wariancja kwadratowa obejmuje również kwadraty skoków. To, czy mają należeć do celu, zależy od modelu i pytania badawczego. Wyprowadzenie dla ceny ciągłej celuje w wariancję zintegrowaną; nie należy twierdzić, że realized kernel oddziela wariancję ciągłą od skoków, jeśli nie dodano konstrukcji odpornej na skoki. Przewodnik po wariancji kwadratowej wyjaśnia różnicę między wariancją zintegrowaną a całkowitą zmiennością ścieżki.

Ten układ daje oszacowanie dla zakończonego przedziału. Nie odtwarza dokładnie ceny ukrytej, nie prognozuje kolejnego przedziału i nie wskazuje ceny, po której można było zawrzeć transakcję. Trzeba też udokumentować konwencję danych wysokiej częstotliwości: transakcje, midpoint kwotowań lub inna przybliżona cena mogą tworzyć różne szeregi zwrotów i różne własności szumu.

Dla \(n\) obserwowanych zwrotów \(r_i=Y_{t_i}-Y_{t_{i-1}}\) zdefiniujmy nienormalizowaną sumę autokowariancji dla opóźnienia \(h\): \[ \Gamma_h=\sum_{i=h+1}^{n} r_i r_{i-h}, \qquad \Gamma_{-h}=\Gamma_h. \] Dla opóźnienia zerowego \(\Gamma_0=\sum_{i=1}^n r_i^2\), czyli zwykła wariancja zrealizowana. Dla opóźnienia pierwszego iloczyny dotyczą sąsiednich zwrotów. Przy addytywnym, niezależnym szumie cen składniki szumu w sąsiednich zwrotach mają przeciwne znaki: dodatni błąd obserwacji podnosi jeden zwrot i obniża następny. Często powoduje to ujemną autokowariancję dla opóźnienia pierwszego. Ogólniej wzorce dla wielu opóźnień mogą pokazać, jak szum wpływa na serię zwrotów.

Sumy dla opóźnień nie są dzielone przez liczbę iloczynów. Ma to znaczenie, bo realized kernel łączy je w tej samej skali co sumę wariancji zrealizowanej. Estymator jest powiązany z odpornym na heteroskedastyczność i autokorelację estymatorem wariancji długookresowej, ale nie jest dowolną sumą znormalizowanych autokorelacji próbki. Obsługa końców oraz dokładna konwencja sumowania są częścią definicji estymatora.

Autokowariancje nie oznaczają, który pojedynczy tick był „szumem”, a który „sygnałem”; agregują iloczyny krzyżowe w całym przedziale. Ujemna \(\Gamma_1\) jest zgodna z odbijaniem bid–ask, ale sama nie dowodzi konkretnego mechanizmu. Jeśli prawdziwe zwroty są zależne szeregowo albo szum ma inną strukturę, ta sama autokowariancja może odzwierciedlać kilka efektów. Oszacowanie zależy od jawnie przyjętego modelu i wag kernela, a nie od bezpośredniej diagnozy rynku dla każdego opóźnienia.

Dla maksymalnego opóźnienia \(H\) jedna z popularnych konwencji dla skończonej próby definiuje \[ \widehat{IV}_{RK}(H)=\Gamma_0+2\sum_{h=1}^{H} k\!\left(\frac{h}{H}\right)\Gamma_h. \] Czynnik 2 uwzględnia symetryczne składniki dla ujemnych opóźnień. \(k(x)\) jest wagą kernela dla \(0\le x\le1\), gdzie \(k(0)=1\), a wagi płynnie maleją do zera w pobliżu granicy pasma. Publikacje i oprogramowanie mogą stosować nieco inne konwencje końców i indeksowania, na przykład \(H+1\) w mianowniku. Aby odtworzyć wynik, podaj konwencję i stosuj ją konsekwentnie.

Często stosowanym nieujemnym wyborem jest kernel Parzena: \[ k(x)= \begin{cases} 1-6x^2+6x^3, & 0\le x\le \tfrac12,\\ 2(1-x)^3, & \tfrac12 < x\le1,\\ 0, & x>1. \end{cases} \] Nadaje dużą wagę krótkim opóźnieniom i stopniowo obniża wagi dalszych. Gładkie wygaszanie jest przydatne, ponieważ szum wysokiej częstotliwości może tworzyć zależność między zwrotami, a oszacowania dla dalekich opóźnień są coraz bardziej zmienne. Nieujemna konstrukcja Parzena ma zapewniać nieujemny jednowymiarowy realized kernel w określonej implementacji. Inne kernele nie muszą mieć tej własności. Kernel flat-top może mieć korzystne właściwości obciążenia, ale dać ujemne oszacowanie w skończonej próbie.

Ilustracja jest analogią do tego wygaszania: wkład bliskich opóźnień jest podkreślony, a dalsze stopniowo zanikają. Nie przedstawia zmierzonych zwrotów, empirycznych wag z konkretnej próby ani wyniku oszacowania zmienności.

<!-- learn:illustration -->

Pasmo \(H\) to największe opóźnienie uwzględnione w sumie. Jeśli jest zbyt małe, estymator może nie skorygować istotnej zależności szeregowej spowodowanej szumem obserwacji. Jeśli jest zbyt duże, dodaje zaszumione iloczyny opóźnień i może zwiększyć wariancję próbkowania. Pasmo jest więc statystycznym wyborem strojenia, a nie liczbą obserwacji do odrzucenia ani uniwersalnym interwałem dla każdego aktywa.

W teorii asymptotycznej realized kernel Parzena optymalne pasmo rośnie w tempie \(n^{3/5}\). Jedno praktyczne wyrażenie stosowane w literaturze to \[ H^*=c^*\,\xi^{4/5}n^{3/5}, \qquad c^*_{\text{Parzen}}=3.5134, \] gdzie \(n\) to liczba zwrotów z gęstej siatki, a \(\xi\) podsumowuje względny poziom szumu oraz kwartykę ceny ukrytej. Jedna z postaci skali to \[ \xi^2=\frac{\omega^2}{\sqrt{T\int_0^T\sigma_u^4\,du}}, \] przy czym \(\omega^2\) oznacza wariancję szumu obserwacji. W praktyce wielkości te są nieznane i trzeba je szacować, często za pomocą wstępnych oszacowań wariancji szumu i kwartiki zintegrowanej. Wzór pokazuje, dlaczego optymalna liczba opóźnień zależy zarówno od rozmiaru próby, jak i od warunków relacji szum–sygnał; nie wyznacza stałego ustawienia dla wszystkich danych.

Projekt asymptotyczny wymaga, by pasmo rosło, pozostając małe względem próby; zapisuje się to zwykle jako \(H\to\infty\) oraz \(H/n\to0\). Reguła \(n^{3/5}\) równoważy główne obciążenie i wariancję przy modelu i warunkach kernela z pracy źródłowej. W skończonej sesji oszacowanie plug-in może być niestabilne, jeśli wstępna estymacja szumu lub kwartiki jest słaba. Podaj wybrane \(H\), konwencję, dane wejściowe do oszacowań wstępnych i analizę wrażliwości dla uzasadnionych alternatyw.

Rozważmy celowo mały hipotetyczny ciąg zwrotów w punktach bazowych: \[ (r_1,r_2,r_3,r_4)=(1,-1,1,-1)\ \mathrm{bp}. \] Ciąg służy wyłącznie do sprawdzenia rachunków. To nie są dane rynkowe, a cztery zwroty to za mało, by uzasadnić asymptotyczny dobór pasma. Suma dla opóźnienia zerowego wynosi \[ \Gamma_0=1^2+(-1)^2+1^2+(-1)^2=4\ \mathrm{bp}^2. \]

Wszystkie iloczyny dla opóźnienia pierwszego wynoszą \(-1\), więc \(\Gamma_1=-3\ \mathrm{bp}^2\). Dla opóźnienia drugiego iloczyny to \(r_3r_1=1\) i \(r_4r_2=1\), zatem \(\Gamma_2=2\ \mathrm{bp}^2\).

Ustawmy \(H=2\) wyłącznie dla zilustrowania wzoru. Dla kernela Parzena \(k(1/2)=1-6(1/4)+6(1/8)=1/4\), a \(k(1)=0\). Otrzymujemy więc \[ \widehat{IV}_{RK}=4+2\left(\tfrac14\right)(-3)+2(0)(2) =2.5\ \mathrm{bp}^2. \]

Zwykła wariancja zrealizowana wynosi \(4\ \mathrm{bp}^2\); w tym przykładzie ujemny ważony składnik dla opóźnienia pierwszego obniża oszacowanie kernela. Suma dla opóźnienia drugiego nic nie wnosi, ponieważ waga Parzena na granicy wynosi zero. Wynik jest nieujemny, ale sam rachunek nie dowodzi, że równa się ukrytej zmienności ceny efektywnej. Nie zaobserwowano ścieżki ukrytej, nie wyznaczono przedziału niepewności i nie wynika stąd prognoza ani wniosek transakcyjny. Pierwiastek kwadratowy, około \(1.58\) bp, to jedynie skala odchylenia standardowego dla tego hipotetycznego przedziału.

Przykład pokazuje też, dlaczego pasmo i regułę indeksowania należy podać wraz z oszacowaniem. Inne \(H\), konwencja końców lub zwroty zmienią wagi albo uwzględnione iloczyny. Wynik można odtworzyć, ponieważ podano każdy zwrot, sumę dla opóźnienia, wagę i jednostkę.

Nienormalizowane sumy opóźnień mogą nadmiernie wzmacniać obserwacje na końcach, zwłaszcza gdy pierwsza lub ostatnia zapisana cena ma duży błąd szumu. Prace praktyczne o realized kernel omawiają lokalne uśrednianie, często nazywane jitteringiem, które ogranicza efekty brzegowe. Popularna implementacja zastępuje cenę na końcu lokalną średnią pobliskich obserwacji przed obliczeniem zwrotów. Dokładna długość okna oraz wybór uśredniania jednego lub obu końców to decyzje implementacyjne, które trzeba opisać.

Czyszczenie danych może być równie ważne jak wzór. Błędny wydruk transakcji, nieaktualna kwotacja, rynek krzyżowy, powielony znacznik czasu lub błąd skali ceny tworzą zwroty i iloczyny opóźnień wchodzące do kilku sum. Udokumentuj pole ceny, wyrównanie znaczników czasu, granice sesji, obsługę duplikatów, filtry oraz sposób traktowania aukcji i zamknięć rynku. Reguły czyszczenia należy ustalić niezależnie od tego, czy sprawiają, że końcowe oszacowanie wygląda bardziej wiarygodnie.

Praktyczna praca o realized kernel z 2009 roku omawia dane transakcyjne i kwotowania, efekty brzegowe, lokalne trendy oraz nieujemny kernel Parzena. Praktyczny wniosek jest taki, że „odporny na szum” nie znaczy „niezależny od danych”. Powoli zmieniający się składnik ceny w krótkim oknie, zmienne tarcia rynkowe lub konstrukcja kwotowań mogą podważyć podstawową interpretację. Jittering może ograniczyć jeden problem z końcem szeregu, ale nie naprawi źle wyrównanej serii ani błędnej obserwacji w środku próby.

Teoria klasyczna opiera się na założeniach o ukrytym procesie cenowym, próbkowaniu, szumie, regularności kernela i paśmie. Niektóre konstrukcje realized kernel są odporne na szersze formy szumu zależnego szeregowo i endogeniczne czasy obserwacji niż najprostszy przykład niezależnego szumu. Ta odporność zależy od konkretnego twierdzenia: kernel i pasmo muszą spełniać odpowiednie warunki. Badanie Aït-Sahalia, Myklanda i Zhang dotyczące zależnego szumu mikrostruktury pomaga zrozumieć, dlaczego zależność szumu trzeba uwzględniać jawnie, a nie zakładać, że każda modyfikacja automatycznie wynika ze wzoru bazowego.

Wybór kernela ma znaczenie. Parzen jest często używany do nieujemnego oszacowania jednowymiarowego. Wagi flat-top mogą dawać inne własności obciążenia i prowadzić do ujemnych oszacowań w skończonej próbie. Nie zastępuj kernela dowolnym kernelem HAC tylko dlatego, że wygląda podobnie: literatura realized kernel wyjaśnia, że niektóre pozornie znajome wybory, w tym Bartlett w analizowanej konstrukcji, nie dają tego samego wyniku zgodności. Jeśli oszacowanie jest ujemne, wskaż kernel i regułę dla skończonej próby; nie obcinaj wyniku po cichu ani nie nazywaj go ujemną wariancją fizyczną.

Wynik dziedziczy również ograniczenia proxy ceny i celu. Skoki mogą należeć do wariancji kwadratowej; obserwacje odstające mogą zdominować iloczyny; nieregularne lub niesynchroniczne obserwacje mogą zmienić szacowaną wielkość; zmienność lub szum mogą zmieniać się w trakcie przedziału. Jednowymiarowy realized kernel sam nie rozwiązuje niesynchronicznego próbkowania wielu aktywów, nie usuwa skoków ani nie odróżnia odbijania bid–ask od wszystkich innych źródeł zależności zwrotów. Estymator jest odporny w granicach określonego modelu, a nie na każdą wadę danych.

Odtwarzalny raport podaje serię cen i schemat próbkowania, okno obserwacji, jednostki zwrotów, funkcję kernela, maksymalne opóźnienie \(H\), konwencję końców, regułę uśredniania końców i czyszczenie danych. Przy paśmie plug-in należy podać oszacowane wariancję szumu i kwartikę albo wystarczające szczegóły do ich odtworzenia. Wyjaśnij, czy wynik jest oszacowaniem wariancji zintegrowanej, wariancji kwadratowej obejmującej skoki, czy przekształconą miarą zmienności.

Oszacowanie opisuje zmienność w próbkowanym przedziale. Nie jest oszacowaniem przyszłej zmienności, chyba że osobny model prognostyczny mapuje pomiary historyczne na przyszły horyzont i jest oceniony poza próbą. Nie jest również kwotowaniem spreadu ani oszacowaniem kosztów wykonania: przewodnik po spreadzie bid–ask Rolla wykorzystuje autokowariancję zwrotów do estymacji innej wielkości. Przewodnik po dwuskalowej realized volatility przedstawia inną metodę odporną na szum, o odmiennej strukturze korekty.

Kluczowe pytanie nie brzmi tylko, czy użyć realized kernel. Chodzi o to, czy dane cenowe, schemat próbkowania, cel, kernel i pasmo są wystarczająco dopasowane do pytania badawczego, by uzasadniać podaną interpretację. Tabela wrażliwości i jawne ograniczenia modelu ułatwiają kontrolę takiego osądu. Nawet staranne oszacowanie pozostaje historycznym pomiarem z niepewnością próbkowania; nie dowodzi rentowności strategii i nie gwarantuje, że efekty mikrostruktury zniknęły.