雙冪變異：跳躍穩健的已實現波動率解析

高頻已實現變異數會將日內對數報酬逐一平方後加總。在適當的半鞅模型下，取樣間隔縮短時，RV 會收斂到二次變異數。如果價格路徑同時包括連續擴散與跳躍，這個極限便包含積分變異數及跳躍平方和。因此，RV 可用來衡量事後總變動，但單靠它無法指出其中多少來自連續走勢、多少來自不連續跳躍。

雙冪變異採用不同的計算單位：它不會將單一報酬平方，而是將兩個相鄰報酬的絕對值相乘。在極限模型中，孤立跳躍通常落在一個報酬區間，而相鄰報酬一般只是較小的擴散增量。取樣網格越密，包含跳躍的報酬與相鄰報酬之乘積就越小；相鄰擴散報酬的乘積則持續累積連續變動。Barndorff-Nielsen 和 Shephard 提出在指定模型下運用冪變異數與雙冪變異，將積分變異數與罕見跳躍造成的變異分開估計（Barndorff-Nielsen & Shephard, 2004）。

目標是歷史積分變異數 \(\int_0^T \sigma_t^2\,dt\)，不是預測下一期波動率。已實現波動率計算指南介紹平方報酬量度；本文說明相鄰絕對報酬乘積為何會對跳躍作出不同反應。

考慮固定時間區間內的對數價格過程：

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

其中 \(X_0\) 之後的第一項是有限變異漂移，\(\sigma_t\) 是瞬間擴散波動率，\(J_t\) 則是跳躍成分。此過程的二次變異數可分解為

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

其中 \(\Delta X_t=X_t-X_{t-}\)。第一部分是連續積分變異數，第二部分是跳躍變異。無論跳躍向上或向下，其貢獻都是跳躍幅度的平方。金融二次變異數指南說明為何這種路徑量與一組靜態價格的變異數不同。

若有 \(n\) 個日內對數報酬 \(r_i=X_{i\Delta}-X_{(i-1)\Delta}\)，而 \(\Delta=T/n\)，已實現變異數為

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

在一般半鞅條件下，網格越密，\(RV_n\) 就估計包含跳躍在內的完整二次變異數。因此，若沒有假設價格路徑不存在跳躍，卻將 RV 稱為「連續波動率」，便混淆了兩個不同目標。

令 \(Z\) 服從標準常態分布，並令 \(\mu_1=E|Z|=\sqrt{2/\pi}\)。一個常見的已實現雙冪變異定義如下：

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

\(\pi/2\) 會將兩個高斯增量絕對值的乘積標準化至連續變異數的尺度。\(n/(n-1)\) 是一種常見慣例下的小樣本端點修正；部分定義會省略此項，因為 \(n\) 增大時它會趨近 1。比較結果時，請註明所採用的慣例。

總和採用互相重疊的相鄰配對：第 2 個報酬與第 1 個配對，第 3 個與第 2 個配對，依此類推。它不會將每筆觀測分類為「跳躍」或「沒有跳躍」。漸近結果的依據是：在有限活動跳躍下，取樣網格越密，只有有限個小型相鄰區域會包含跳躍；一般相鄰擴散報酬的乘積則會形成連續積分變異數的極限。在相關假設下，極限理論允許廣泛的隨機波動率行為，包括槓桿效應類型的依存關係（Barndorff-Nielsen et al., 2006）。

<!-- learn:illustration -->

假設一個虛構交易時段有七個以基點為單位的對數報酬：

假設第 4 個報酬包含一次虛構的 \(+12\) bp 跳躍，而該區間的連續變動可以忽略。則

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

六個相鄰絕對報酬乘積的總和為 \(4.60\ \mathrm{bp}^2\)。依照上述端點修正慣例：

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

加入的跳躍平方為 \(12^2=144\ \mathrm{bp}^2\)。兩者並非剛好相等：跳躍附近的乘積包含 \(12\times0.1\) 項，而且只有七個報酬的小樣本也有一般有限樣本變動。這個虛構小範例方便核對算術；它不是觀察到的市場資料，也不代表短區間差值能準確還原跳躍變異。

標準的一致性結果有條件。在觀察區間內有有限次跳躍，並具連續隨機波動率的半鞅模型下，若在沒有市場微結構雜訊的情況下逐漸加密觀察，BV 會收斂至連續積分變異數。在相同設定下，\(RV_n-BV_n\) 會收斂至跳躍平方和。這是漸近分離，不是對每條報酬序列或每個有限取樣網格的保證。

有限活動條件十分重要。如果有大量細小跳躍或跳躍活動無限，跳躍變異便可能對相鄰絕對報酬乘積作出不可忽略的貢獻；標準 BV 結果未必能單獨分離布朗部分。可能需要擴展方法、截尾或其他跳躍檢定，而每種方法都有自己的假設。Aït-Sahalia 和 Jacod 建立另一種涵蓋更廣泛半鞅過程的高頻跳躍檢定；這是另一套檢定框架，並不能證明一般 BV 適用於所有跳躍過程（Aït-Sahalia & Jacod, 2009）。

觀測設計同樣重要。報酬應來自同一時間區間及有根據的價格序列。取樣間隔稀疏、報價過時、交易不同步、隔夜缺口，以及接近交易時段邊界的跳躍，都會削弱細密網格的解讀。只有當觀測值更接近潛在有效價格，而非帶來更多微結構雜訊時，加密取樣才有幫助。

在無雜訊、有限活動跳躍的漸近模型下，RV 減 BV 可估計跳躍變異。在有限樣本中，差值可能為負，儘管跳躍平方和不可能為負。原因是 RV 和 BV 是不同極限量的含雜訊估計。不要默默將負值截為零：截尾會改變估計的抽樣行為，應作為明確規則揭露。

統計檢定回答另一個問題：在沒有跳躍的虛無假設下，觀察到的差距相對於抽樣不確定性是否足夠大？Barndorff-Nielsen 和 Shephard 推導了基於已實現冪變異和雙冪變異的漸近檢定。可行版本會估計相關四次變異，通常使用多冪變異量度，而非將原始差值當成顯著性門檻（Barndorff-Nielsen & Shephard, 2006）。其後提出門檻雙冪變異，以減少有限樣本中的跳躍偏誤，並支援在包含跳躍的備擇假設下作推論（Corsi, Pirino & Reno, 2010）。

即使偵測到跳躍，仍只是根據指定模型、取樣頻率和顯著水準作出的統計分類。它不會識別新聞原因、不會證明交易者能以記錄價格成交，也不會證明策略有利可圖。

傳統 BV 並非抗雜訊的高頻估計器。若觀測價格為 \(Y_{t_i}=X_{t_i}+\epsilon_{t_i}\)，買賣價反彈、價格四捨五入和報價更新都會令每個報酬包含雜訊。由於 BV 將相鄰報酬絕對值相乘，公式使用相鄰乘積並不會令雜訊消失。取樣極密時，雜訊的影響甚至可能更大。

這與跳躍是不同問題。已實現核和雙尺度已實現變異數利用不同結構，針對市場微結構雜訊下的波動率估計；它們不能與一般 BV 互換使用，而抗雜訊也不代表抗跳躍。已實現核指南介紹其中一種處理雜訊的方法。

若研究問題需要同時處理雜訊與跳躍，應使用為兩種特性推導的方法，並說明相關條件。Podolskij 和 Vetter 為含雜訊觀測提出調制雙冪變異，並建立對有限活動跳躍穩健的版本；這是經修改的估計器，並非上文未調整的公式（Podolskij & Vetter, 2009）。實務替代方案包括降低取樣頻率、預先平均、門檻量度或抗雜訊估計器。每種做法都會改變估計目標、調校選擇或不確定性計算。

在相關假設成立時，BV 估計歷史連續積分變異數部分。RV 估計含跳躍價格路徑的總二次變異數。兩者差值可漸近估計跳躍二次變異數。這些量都不會自動成為預測、風險限額或進場訊號。預測模型可將過往 RV 和 BV 用作不同預測變數，但須控制資訊時點和交易成本，並以樣本外資料評估預測能力。

只有在時間區間和單位清楚時，變異數估計的平方根才是波動率量度。若報酬單位為基點，變異數單位是 bp²，平方根則是所取樣區間的 bp。年化需要明確的時間縮放假設；乘上日曆係數不會消除跳躍、微結構雜訊或隔夜量測選擇。跳躍風險指南說明不連續價格變化為何影響避險曝險，但不會將歷史 BV 分解變成交易指示。

列明資產、價格輸入（成交、報價或中間價）、報酬定義、取樣頻率、交易時段邊界，以及隔夜區間和缺漏觀測的處理方式。報告 RV 和 BV 公式、有限樣本標準化慣例、報酬筆數和單位。若計算 \(RV-BV\)，請展示原始差值，並說明是否使用門檻、截尾或限制為非負值。

解釋支援此解讀的模型：含有限活動跳躍的連續隨機波動率，還是使用其他估計器的較廣泛跳躍模型。揭露微結構雜訊修正、跳躍檢定統計量、四次變異估計、顯著水準及多重檢定調整。除分解結果外，也應報告不確定性量度。

雙冪變異的價值在於，相鄰絕對報酬乘積保留連續變異的極限，同時減少孤立有限活動跳躍的漸近影響。其限制也必須一併說明：標準公式並非通用跳躍濾網、顯著性檢定或市場微結構雜訊修正。用於研究或風險分析時，應同時列明這些界限。