Оценка realized kernel: измерение волатильности с учетом микроструктурного шума

Если шум отсутствует, сумма квадратов внутридневных доходностей — естественный способ оценить изменение цены за наблюдаемый интервал. Но в ценах сделок и котировках могут присутствовать эффект чередования сторон спреда, дискретность цены, задержка и ошибки записи. При вычислении разности двух шумных цен ошибки переходят в доходность, а соседние доходности содержат одну и ту же ошибку с противоположными знаками. Поэтому их серийные автоковариации несут информацию о шуме наблюдений.

Обычная реализованная дисперсия использует только произведения доходностей с нулевым лагом, то есть складывает квадраты доходностей. При очень частой выборке сумма может накапливать шум быстрее, чем отражает новые изменения латентной цены. Реализованное ядро включает член с нулевым лагом и взвешенные автоковариации на положительных и отрицательных лагах. При подходящих предположениях и увеличивающейся полосе члены с ненулевыми лагами помогают компенсировать ведущий эффект шума, сохраняя информацию об изменениях эффективной цены.

Барндорф-Нильсен, Хансен, Лунде и Шепард разработали реализованные ядра для оценки изменения цены за завершенный интервал при наличии рыночных трений в своей первоначальной статье в Econometrica. В их работе оценка ядра рассматривается как тщательно взвешенная сумма для долгосрочной дисперсии, а не как указание без проверки использовать каждый доступный тик. Более простой высокочастотный ориентир описан в руководстве по расчету реализованной волатильности. Здесь речь идет о коррекции ядром и связанных с ней решениях.

Пусть \(X_t\) — латентная эффективная логарифмическая цена, а записанная логарифмическая цена в момент \(t_i\) равна

\[ Y_{t_i}=X_{t_i}+\epsilon_{t_i}, \]

где \(\epsilon_{t_i}\) обозначает микроструктурный шум. В базовой постановке латентная цена считается непрерывным процессом с локальной скоростью дисперсии \(\sigma_t^2\), а целевая величина на фиксированном интервале \([0,T]\) — интегрированная дисперсия

\[ IV_T=\int_0^T \sigma_t^2\,dt. \]

В простейшем выводе предполагается, что шум имеет нулевое среднее, независим во времени и от процесса эффективной цены, а его дисперсия постоянна. Так проще увидеть источник коррекции. Реальные сделки и котировки могут не соответствовать этим условиям: шум может быть серийно зависимым, меняться со временем, быть связанным с эффективной ценой или зависеть от способа выбора моментов наблюдения.

Если в латентном процессе есть скачки, квадратичная вариация также включает квадраты скачков. Включать ли их в целевую величину, зависит от модели и исследовательского вопроса. Вывод для непрерывной цены нацелен на интегрированную дисперсию; нельзя утверждать, что реализованное ядро отделяет непрерывную дисперсию от скачков, если не добавлена конструкция, устойчивая к скачкам. В руководстве по квадратичной вариации объясняется различие между интегрированной дисперсией и полной вариацией траектории.

Эта постановка относится к оценке уже завершенного интервала. Она не восстанавливает латентную цену точно, не прогнозирует следующий интервал и не указывает цену, по которой можно было исполнить сделку. Для высокочастотных входных данных также нужно задать правило: сделки, середины котировок или другой ценовой показатель дают разные ряды доходностей и свойства шума.

Для последовательности из \(n\) наблюдаемых доходностей \(r_i=Y_{t_i}-Y_{t_{i-1}}\) определим ненормированную сумму автоковариаций с лагом \(h\)

\[ \Gamma_h=\sum_{i=h+1}^{n} r_i r_{i-h}, \qquad \Gamma_{-h}=\Gamma_h. \]

При нулевом лаге \(\Gamma_0=\sum_{i=1}^n r_i^2\) — обычная реализованная дисперсия. При лаге один перемножаются соседние доходности. В модели с независимым аддитивным шумом цены шумовые составляющие соседних доходностей имеют противоположные знаки: положительная ошибка наблюдения повышает одну доходность и понижает следующую. Поэтому автоковариация первого лага часто бывает отрицательной. В целом серийные закономерности на нескольких лагах могут показать, как шум влияет на ряд доходностей.

Суммы по лагам не делятся на число произведений. Это важно, поскольку реализованное ядро объединяет их с суммой реализованной дисперсии в одном масштабе. Оценка связана с HAC-оценкой долгосрочной дисперсии, устойчивой к гетероскедастичности и автокорреляции, но не является произвольной суммой нормированных выборочных автокорреляций. Концы ряда и точное правило суммирования входят в определение оценки.

Автоковариации не помечают отдельный тик как «шум» или «сигнал», а суммируют перекрестные произведения за весь интервал. Отрицательная \(\Gamma_1\) согласуется с колебаниями цены из-за спреда bid–ask, но сама по себе не доказывает именно этот механизм. Если истинные доходности серийно зависимы или шум наблюдений устроен иначе, та же автоковариация может отражать несколько эффектов. Оценка опирается на заявленную модель и веса ядра, а не на толкование каждого лага как прямого диагноза рынка.

Для максимального лага \(H\) одно из распространенных правил для конечной выборки задает оценку так:

\[ \widehat{IV}_{RK}(H)=\Gamma_0+2\sum_{h=1}^{H} k\!\left(\frac{h}{H}\right)\Gamma_h. \]

Множитель 2 учитывает симметричные члены с отрицательными лагами. Здесь \(k(x)\) — вес ядра на отрезке \(0\le x\le1\), где \(k(0)=1\), а веса плавно уменьшаются к нулю у границы полосы. В статьях и программах могут применяться немного разные правила для границ и индексации, например знаменатель \(H+1\). Для воспроизведения результата укажите выбранное правило и используйте его последовательно.

Распространенный неотрицательный выбор — ядро Парзена:

\[ k(x)= \begin{cases} 1-6x^2+6x^3, & 0\le x\le \tfrac12,\\ 2(1-x)^3, & \tfrac12 < x\le1,\\ 0, & x>1. \end{cases} \]

Оно придает большой вес коротким лагам и плавно снижает веса длинных. Такое затухание полезно: высокочастотный шум может создавать зависимость между доходностями, а оценки на дальних лагах становятся все более изменчивыми. Неотрицательная конструкция Парзена устроена так, чтобы оценка реализованного ядра для одного ряда оставалась неотрицательной при заданной реализации. У других ядер это свойство не обязательно есть. Плоское ядро (flat-top) может иметь благоприятные свойства смещения, но иногда дает отрицательную оценку в конечной выборке.

Иллюстрация ниже служит аналогией такого затухания: вклады ближних лагов выделены сильнее, а дальние постепенно исчезают. Это не график измеренных доходностей, не эмпирические веса для конкретной выборки и не оценка волатильности.

<!-- learn:illustration --> <!-- Концептуальная иллюстрация без текста: симметричные «эхо» доходностей плавно затухают по мере удаления от яркого центра, показывая снижение весов лагов в пределах конечной полосы. Это не рыночные данные и не результат оценки. -->

Полоса \(H\) — это максимальный лаг, включенный в сумму. Если она слишком мала, важная серийная зависимость из-за шума наблюдений может остаться неучтенной. Если слишком велика, добавляются шумные произведения на дальних лагах и дисперсия выборки может увеличиться. Поэтому полоса — статистический параметр настройки, а не число наблюдений, которые следует отбросить, и не универсальный временной интервал для каждого актива.

В асимптотической теории реализованного ядра Парзена оптимальная полоса растет в порядке \(n^{3/5}\). В литературе используется практическое выражение

\[ H^*=c^*\,\xi^{4/5}n^{3/5}, \qquad c^*_{\text{Parzen}}=3.5134, \]

где \(n\) — число доходностей на мелкой сетке, а \(\xi\) описывает относительный уровень шума и четвертый интегральный момент волатильности латентной цены. Один вариант масштаба имеет вид

\[ \xi^2=\frac{\omega^2}{\sqrt{T\int_0^T\sigma_u^4\,du}}, \]

где \(\omega^2\) — дисперсия шума наблюдений. На практике эти величины неизвестны, и их нужно оценивать, часто с помощью пилотных оценок дисперсии шума и интегрированной квартичности. Формула показывает, почему оптимальное число лагов зависит и от объема выборки, и от соотношения шума и сигнала; это не универсальная фиксированная настройка.

Асимптотическая схема требует, чтобы полоса увеличивалась, но оставалась небольшой относительно размера выборки; обычно это выражают как \(H\to\infty\) и \(H/n\to0\). Правило \(n^{3/5}\) уравновешивает ведущие смещение и дисперсию при предположениях статьи о модели и ядре. Для конечной торговой сессии подстановочная оценка может быть нестабильной, если пилотная оценка шума или квартичности ненадежна. Указывайте выбранное \(H\), правило индексации, пилотные входные данные и анализ чувствительности для обоснованных альтернатив.

Рассмотрим намеренно короткую гипотетическую последовательность доходностей в базисных пунктах:

\[ (r_1,r_2,r_3,r_4)=(1,-1,1,-1)\ \mathrm{bp}. \]

Последовательность нужна только для проверки арифметики. Это не рыночные данные, и четырех наблюдений слишком мало, чтобы обосновать асимптотический выбор полосы. Сумма для нулевого лага равна

\[ \Gamma_0=1^2+(-1)^2+1^2+(-1)^2=4\ \mathrm{bp}^2. \]

Произведения для первого лага равны \((-1),(-1),(-1)\), поэтому \(\Gamma_1=-3\ \mathrm{bp}^2\). Для второго лага \(r_3r_1=1\) и \(r_4r_2=1\), откуда \(\Gamma_2=2\ \mathrm{bp}^2\).

Положим \(H=2\) только для иллюстрации формулы. Для ядра Парзена \(k(1/2)=1-6(1/4)+6(1/8)=1/4\), а \(k(1)=0\). Следовательно,

\[ \widehat{IV}_{RK}=4+2\left(\tfrac14\right)(-3)+2(0)(2) =2.5\ \mathrm{bp}^2. \]

Обычная реализованная дисперсия равна \(4\ \mathrm{bp}^2\); взвешенный отрицательный член первого лага снижает оценку ядра в этом примере. Сумма второго лага не вносит вклад, потому что вес Парзена на границе равен нулю. Результат неотрицателен, но одной арифметики недостаточно, чтобы заключить, что он равен скрытой вариации эффективной цены. Латентная траектория не наблюдалась, интервал неопределенности не рассчитывался, и прогноз или торговый вывод из результата не следуют. Квадратный корень, около \(1.58\) bp, — только шкала стандартного отклонения для этого гипотетического интервала.

Пример также показывает, почему вместе с оценкой нужно сообщать полосу и правило индексации. Другое \(H\), другая договоренность о границах или другие доходности изменят веса или набор произведений. Численный результат можно воспроизвести, потому что показаны все доходности, суммы лагов, веса и единицы измерения.

Ненормированные суммы лагов могут придавать чрезмерное влияние наблюдениям на границах ряда, особенно если в первой или последней записанной цене велика ошибка шума. Практические статьи о реализованном ядре обсуждают локальное усреднение, часто называемое jittering, для уменьшения краевых эффектов. В распространенной реализации перед расчетом доходностей граничную цену заменяют локальным средним соседних наблюдений. Точное окно и усредление одного или обоих концов — решения реализации, которые нужно описывать, а не оставлять неявными.

Очистка данных может быть не менее важна, чем формула. Одна ошибочная сделка, устаревшая котировка, пересечение рынка, повторная временная метка или ошибка масштаба цены создают доходности и лаговые произведения, входящие в несколько сумм. Документируйте поле цены, выравнивание времени, границы сессии, обработку повторов, фильтры, а также аукционы и закрытие рынка. Правила очистки следует задавать независимо от того, делают ли они итоговую оценку более правдоподобной.

Практическое исследование реализованных ядер 2009 года рассматривает данные сделок и котировок, краевые эффекты, локальные тренды и неотрицательное ядро Парзена. Его практический вывод: «устойчивость к шуму» не означает «безразличие к данным». Постепенно меняющаяся составляющая цены на коротком интервале, изменение рыночных трений или способ формирования котировки могут осложнить базовую интерпретацию. Локальное усреднение может уменьшить одну проблему на границе; оно не исправит неверно выровненный ряд или ошибочное наблюдение в середине выборки.

Классическая теория основана на предположениях о процессе латентной цены, выборке, шуме, регулярности ядра и полосе. Некоторые конструкции реализованного ядра устойчивы к более широким формам серийно зависимого шума и эндогенным моментам наблюдения, чем простейший пример с независимым шумом. Но эта устойчивость специфична для теоремы: нужно использовать ядро и полосу, удовлетворяющие соответствующим условиям. Исследование зависимого микроструктурного шума Аит-Сахалии, Майкланда и Чжана полезно напоминает, почему зависимость шума нужно учитывать явно, а не считать, что любая модификация автоматически следует из базовой формулы.

Выбор ядра имеет значение. Ядро Парзена часто используют для неотрицательной одномерной оценки. Плоские веса (flat-top) нацелены на другие свойства смещения и могут давать отрицательные оценки в конечной выборке. Не подставляйте произвольное HAC-ядро лишь потому, что оно знакомо: в литературе о реализованных ядрах указано, что некоторые привычные варианты, включая ядро Бартлетта в рассмотренной конструкции, не дают того же результата состоятельности. Если оценка отрицательна, укажите ядро и правило для конечной выборки; не обрезайте результат молча и не называйте его отрицательной физической дисперсией.

Результат также наследует ограничения используемого ценового показателя и целевой величины. Скачки могут входить в квадратичную вариацию; выбросы способны доминировать в произведениях; нерегулярные или асинхронные наблюдения могут изменить объект оценки; волатильность и шум могут меняться в пределах интервала. Одномерное реализованное ядро само по себе не решает проблему асинхронной многомерной выборки, не удаляет скачки и не отличает колебания из-за bid–ask от всех прочих источников зависимости доходностей. Устойчивость действует в рамках указанной модели, а не защищает от любого дефекта данных.

Для воспроизводимого результата укажите ряд цен и схему выборки, окно наблюдения, единицы доходности, функцию ядра, максимальный лаг \(H\), правило для границ, способ граничного усреднения и очистку данных. Если используется подстановочная полоса, сообщите оценки шума и квартичности либо достаточно деталей для их воспроизведения. Уточните, является ли результат оценкой интегрированной дисперсии, квадратичной вариации со скачками или преобразованной мерой волатильности.

Оценка описывает вариацию за наблюдаемый интервал. Она не является прогнозом будущей волатильности, если отдельная прогностическая модель не переносит исторические измерения на будущий горизонт и не проверена вне выборки. Это также не котируемый спред и не оценка издержек исполнения: руководство по спреду bid–ask по методу Ролла использует автоковариацию доходностей для оценки другой величины. В руководстве по двухмасштабной реализованной волатильности описан другой способ коррекции шума.

Главное решение — не просто использовать ли реализованное ядро. Нужно понять, достаточно ли хорошо ценовые данные, схема выборки, целевая величина, ядро и полоса соответствуют исследовательскому вопросу, чтобы обосновать интерпретацию. Таблица чувствительности и явное описание ограничений модели упрощают проверку этого решения. Даже аккуратная оценка остается историческим измерением с выборочной неопределенностью; она не доказывает прибыльность торгового правила и не гарантирует исчезновения микроструктурных эффектов.