Двухмасштабная реализованная волатильность: оценка дисперсии с учетом микроструктурного шума

Реализованную дисперсию часто считают как сумму квадратов доходностей. Если бы наблюдаемые логарифмы цен точно следовали за эффективной ценой, большее число наблюдений позволяло бы лучше охватить траекторию. Но цены сделок и котировки также отражают отскоки bid–ask, дискретность цен, задержки и другие эффекты микроструктуры рынка. На очень коротких интервалах эти эффекты могут быть велики по сравнению с движением эффективной цены между наблюдениями.

Поэтому наивная реализованная дисперсия может расти при учащении наблюдений, даже если интегрированная дисперсия базового процесса за сессию не меняется. Это не обязательно означает, что экономическая волатильность актива выросла: причиной может быть многократное суммирование квадратов шумных разностей цен. Общая инструкция по расчету реализованной волатильности объясняет обычную сумму квадратов доходностей; здесь рассматривается поправка на один источник высокочастотного смещения.

Метод TSRV, предложенный Zhang, Mykland и Aït-Sahalia в первой работе о двух временных масштабах, использует два разрешения с разными задачами. Разреженная сетка уменьшает число приращений, загрязненных шумом; усреднение нескольких сдвинутых разреженных сеток снижает зависимость от единственного произвольного начального смещения. Полная частая сетка дает масштабированную оценку шума, которую можно вычесть. Поскольку логика зависит от предположений и конечновыборочных настроек, результат остается оценкой с неопределенностью, а не очищенным наблюдением истинной траектории.

Пусть \(X_t\) — скрытая эффективная логарифмическая цена, моделируемая на рассматриваемом окне как непрерывный процесс с локальной интенсивностью дисперсии \(\sigma_t^2\). Целевая величина — интегрированная дисперсия: \[ IV_T=\int_0^T\sigma_t^2\,dt. \]

В момент наблюдения \(t_i\) зарегистрированная логарифмическая цена равна \[ Y_{t_i}=X_{t_i}+\epsilon_{t_i}, \] где \(\epsilon_{t_i}\) — шум наблюдения. Классический вывод использует базовую модель, в которой шум имеет нулевое среднее, независим между моментами наблюдения, независим от процесса эффективной цены и имеет постоянную дисперсию \(\omega^2\). Также предполагаются регулярная сетка наблюдений и подходящая модель непрерывной эффективной цены. Это условия модели, а не универсальное описание биржевых данных.

Наблюдаемое приращение равно \(\Delta Y_i=\Delta X_i+\epsilon_i-\epsilon_{i-1}\). Шум входит в соседние доходности с противоположными знаками: положительная ошибка цены в одном наблюдении повышает одну доходность и снижает следующую. Поэтому доходности, рассчитанные по шумным ценам, не ведут себя как независимые ошибки измерения. В руководстве по квадратичной вариации объясняется, почему в отсутствие шума суммы квадратов приращений оценивают вариацию траектории.

Здесь оценивается дисперсия за заданное временное окно. Это не оценка bid–ask spread, не прогноз и не реализованные издержки исполнения. Для другого вопроса о ценах сделок см. оценку bid–ask spread по методу Roll. Важно четко определить цель: многие методы микроструктурного анализа используют высокочастотные цены, но оценивают разные величины.

Для \(n\) доходностей частой сетки определим \[ RV_{\mathrm{all}}=\sum_{i=1}^{n}(Y_{t_i}-Y_{t_{i-1}})^2. \] В базовой модели шумовая часть одной наблюдаемой доходности равна \(\eta_i=\epsilon_i-\epsilon_{i-1}\), а ее дисперсия составляет \(\operatorname{Var}(\eta_i)=2\omega^2\). Если пренебречь перекрестными членами с нулевым ожиданием при предположениях независимости, то \[ E[RV_{\mathrm{all}}]\approx IV_T+2n\omega^2. \]

Первое слагаемое — искомая интегрированная дисперсия. Второе накапливает вклад шума для каждой частой доходности. По мере сокращения интервала наблюдений и роста \(n\) шумовое слагаемое может стать доминирующим. Поэтому при игнорировании измерительного шума правило «наблюдать как можно чаще» небезопасно. Aït-Sahalia, Mykland и Zhang анализируют конечновыборочную оптимальную частоту в исследовании выборки при наличии микроструктурного шума.

Это приближение относится к математическому ожиданию в рамках модели. В конкретной выборке присутствуют случайные перекрестные члены между приращениями эффективной цены и шума, поэтому фактическое значение не обязано совпадать с ожиданием. Если дисперсия шума меняется в течение дня, ошибки серийно зависимы или выборка нерегулярна, простое выражение \(2n\omega^2\) может не описывать смещение. Тогда знакомая формула способна выдать точное на вид число, которое корректирует не тот компонент.

Выберите целое расстояние \(K>1\). Для каждого смещения \(k=0,\ldots,K-1\) рассчитайте реализованную дисперсию по разреженной сетке, беря каждую \(K\)-ю наблюдаемую цену: \[ RV_{K,k}=\sum_j\left(Y_{t_{k+jK}}-Y_{t_{k+(j-1)K}}\right)^2. \] Каждое разреженное приращение охватывает более длинный интервал, но сетка по-прежнему покрывает примерно то же общее окно наблюдения. Усредните доступные смещения: \[ \overline{RV}_K=\frac{1}{K}\sum_{k=0}^{K-1}RV_{K,k}. \]

Смещения имеют значение. Единственная разреженная сетка может начинаться непосредственно до или после крупного движения, и результат станет чувствителен к этому выбору. Усреднение сдвинутых сеток уменьшает зависимость от начальной точки. Но оно не создает \(K\) независимых наборов данных: сетки повторно используют наблюдения и статистически зависимы.

При независимом наблюдательном шуме с одинаковой дисперсией разность между шумовыми значениями на концах разреженной доходности по-прежнему имеет дисперсию \(2\omega^2\), поскольку это разные наблюдения. Разреженных доходностей меньше, чем частых, поэтому средняя оценка по разреженным сеткам накапливает меньше смещения от шума. Ее сигнальная составляющая остается примерно равной той же интегрированной дисперсии, поскольку разреженные приращения охватывают окно целиком, а не только его часть.

Иллюстрация к руководству носит концептуальный характер: она сравнивает неровную наблюдаемую траекторию с более грубыми сдвинутыми представлениями вокруг более гладкой скрытой траектории. На ней нет рыночных данных или результата фактической оценки. Для оценок на основе максимумов и минимумов, а не конструкции двух сеток, см. руководство по оценкам волатильности на основе диапазона OHLC.

<!-- learn:illustration -->

Пусть \(\bar n\) — среднее число разреженных доходностей по сеткам с разными смещениями, а \(\lambda=\bar n/n\). В базовой модели смещение средней оценки разреженных сеток составляет примерно \(2\bar n\omega^2\). Смещение частой оценки — примерно \(2n\omega^2\), поэтому \(\lambda RV_{\mathrm{all}}\) дает около \(2\bar n\omega^2\). Вычитание устраняет основной шумовой член: \[ TSRV_{\mathrm{raw}}=\overline{RV}_K-\lambda RV_{\mathrm{all}}. \]

Исходная разность также вычитает долю \(\lambda\) сигнала интегрированной дисперсии, поскольку сигнал входит в обе оценки. Поэтому часто применяют конечновыборочную нормировку: \[ \widehat{IV}_{TSRV}=\frac{\overline{RV}_K-\lambda RV_{\mathrm{all}}}{1-\lambda}. \] Знаменатель восстанавливает коэффициент сигнала в рамках простого расчета ожидания. В реализациях могут различаться соглашения и обработка концов сетки, поэтому необходимо документировать точное определение \(n\), набор смещений и способ расчета \(\bar n\). Поправка не устраняет ошибку выборки и не исправляет неверную модель шума. В классической асимптотической постановке \(\lambda\) становится малой по мере роста выборки, но в коротком окне конечновыборочный множитель все еще может быть важен.

Оценка может быть отрицательной, если \(\overline{RV}_K<\lambda RV_{\mathrm{all}}\). Это не означает отрицательную физическую вариацию: в конечной выборке вычитание шума превысило оценку по разреженной сетке. Замена на ноль может быть удобна для отображения, но меняет оцениватель и добавляет правило усечения. В анализе сохраняйте исходную оценку, проверяйте масштабы и предположения, а любое последующее усечение явно указывайте.

Предположим, семь гипотетических наблюдений логарифмической цены дают шесть доходностей по частой сетке в базисных пунктах: \([1,1,-1,-1,1,1]\) б.п. Эта короткая последовательность служит только арифметической иллюстрацией и не является биржевыми данными. Реализованная дисперсия по частой сетке равна \[ RV_{\mathrm{all}}=1^2+1^2+(-1)^2+(-1)^2+1^2+1^2=6\,\mathrm{bp}^2. \]

Пусть \(K=2\). Первое смещение объединяет соседние частые доходности в разреженные \([2,-2,2]\) б.п.; сумма квадратов равна \(4+4+4=12\,\mathrm{bp}^2\). Сдвинутое второе смещение дает \([0,0]\) б.п. и сумму квадратов 0. Среднее двух оценок по сеткам равно \(\overline{RV}_K=(12+0)/2=6\,\mathrm{bp}^2\).

При шести частых доходностях и двух смещениях среднее число разреженных доходностей равно \(\bar n=(3+2)/2=2.5\). Поэтому \(\lambda=2.5/6=5/12\), и \[ \widehat{IV}_{TSRV}=\frac{6-(5/12)6}{1-5/12}=\frac{3.5}{7/12}=6\,\mathrm{bp}^2. \]

Оценка дисперсии составляет \(6\,\mathrm{bp}^2=6\times10^{-8}\) в единицах квадрата десятичной доходности. Квадратный корень равен примерно \(2.45\) б.п. за это гипотетическое окно; значение не годовое. Равенство с RV по частой сетке — особенность сконструированного примера, а не тождество TSRV. На других траекториях оценка может быть выше, ниже или даже отрицательной.

Расчет показывает и ограничение модели: скрытая траектория и шум не наблюдаются раздельно, поэтому из этой выборки нельзя заключить, что \(6\,\mathrm{bp}^2\) равно фактической интегрированной дисперсии. Можно проверить суммы, масштаб и единицы, но пример не позволяет восстановить скрытое разложение. Другой класс поправок на высокочастотный шум — методы realized kernel — рассматривается в эмпирической литературе; у них собственные предположения и решения по реализации.

Масштаб \(K\) задает компромисс между числом разреженных доходностей, усреднением и поправкой на шум. Очень малое \(K\) оставляет много коротких приращений и может сохранить чувствительность к шуму. Очень большое \(K\) оставляет мало грубых доходностей, делая оценку нестабильной и усиливая эффекты короткого окна. Усреднение по смещениям помогает с выравниванием сетки, но не добавляет информации, которой нет в короткой или некачественной выборке.

В исходном асимптотическом анализе предпочтительное разреженное расстояние растет с размером выборки; при обозначениях и базовых условиях этой работы оно имеет порядок \(n^{2/3}\). Это теоретический результат о масштабировании, а не универсальная инструкция выбрать конкретное число секунд или наблюдений. Оптимум зависит от отношения шума к сигналу и предположений; поздние работы и практические реализации могут применять другие правила настройки и соглашения обработки концов. Укажите интервал выборки, \(K\), смещения, границы сессии и конечновыборочную нормировку, чтобы расчет можно было воспроизвести.

Надежный анализ может сравнить заранее заданный набор правдоподобных значений \(K\) и показать чувствительность, не выбирая постфактум настройку с самым привлекательным результатом. Если оценки заметно меняются, нестабильность — часть результата. Масштаб следует выбирать по структуре данных и документированному правилу, а не после поиска желаемой оценки волатильности. Для сравнения можно включить реализованную дисперсию по более грубой сетке или устойчивую к шуму альтернативу, но эти показатели нужно четко различать.

Классическая поправка выведена для конкретной структуры шума. Отскоки bid–ask и другие эффекты микроструктуры могут быть серийно зависимыми, меняться в течение сессии, зависеть от ликвидности или коррелировать с приращениями эффективной цены. Hansen и Lunde показывают в исследовании реализованной дисперсии, что взаимодействие реализованной дисперсии и шума микроструктуры может включать временную зависимость и корреляцию с изменениями эффективной цены. Позднее Aït-Sahalia, Mykland и Zhang разрабатывают двухмасштабные методы для зависимого микроструктурного шума. Это повод отличать модифицированный оцениватель от исходной формулы независимого шума, а не считать, что исходная формула учитывает любую зависимость.

К другим практическим проблемам относятся нерегулярное время наблюдений, асинхронность активов, устаревшие котировки, дискретность цен, скачки, ошибочные сделки, эффекты открытия и закрытия, а также пропуски. Они влияют и на поправку по частой сетке, и на доходности в разреженных сетках. В зависимости от вопроса скачки могут входить в целевую квадратичную вариацию или требовать отдельного учета; TSRV сам не выбирает этот вариант моделирования. Фильтрация наблюдений меняет сетку, поэтому ее следует документировать.

Устойчивость к шуму не означает невосприимчивость ко всем проблемам данных. Прежде чем трактовать оценку как меру скрытой дисперсии, укажите, что используется: цены сделок, котировки или средние цены; задайте преобразование доходности и шкалу времени; проверьте равномерность интервалов; зафиксируйте очистку и правила сессии; оцените чувствительность к \(K\). Если процесс шума нарушает базовые предположения, используйте метод для такой ситуации и объясните его условия. Не описывайте отрицательную оценку как отрицательную волатильность и не превращайте ее молча в положительное число.

В прозрачном отчете указывают целевое окно, ряд входных цен, интервал выборки, число частых доходностей, разреженный шаг \(K\), набор смещений, правило обработки концов, предположения о шуме, нормировку, единицы и любое усечение. Можно показать исходную разность, нормированную оценку и чувствительность по заранее установленным масштабам. Эти детали делают расчет проверяемым и не дают принять оценку дисперсии за котировку, будущий прогноз или доказательство прибыльности торгового правила.

Интегрированная дисперсия измеряется за наблюдавшееся окно. Для пересчета в годовое значение нужно явно указать временную конвенцию и не скрывать внутридневные закономерности, ночные интервалы или перерывы торгов. Квадратный корень переводит единицы в волатильность за это окно, но сам по себе не задает горизонт прогноза. Историческая реализованная мера может служить входом модели, однако прогнозные свойства необходимо отдельно проверять на данных, не использованных для настройки оценивателя.

Главный вклад TSRV — методологический: при явной аддитивной модели шума два масштаба выборки помогают уменьшить ведущий шумовой сдвиг, из-за которого наивная высокочастотная реализованная дисперсия становится несостоятельной. Метод не определяет источник каждого движения цены, не устраняет риск модели и не сообщает будущую волатильность. Эти ограничения следует указывать вместе с оценкой.