Ước lượng realized kernel: Đo lường biến động với nhiễu vi cấu trúc

Khi không có nhiễu, cộng bình phương lợi suất trong ngày là cách tự nhiên để ước lượng biến động trong khoảng quan sát. Tuy nhiên, giá giao dịch hoặc báo giá có thể chứa hiện tượng giá nhảy qua lại giữa hai phía giá chào mua-bán, bước giá rời rạc, độ trễ hoặc lỗi ghi nhận. Lấy sai phân giữa hai mức giá có nhiễu sẽ đưa sai số vào lợi suất; hai lợi suất liền kề còn cùng chứa một sai số với dấu ngược nhau. Vì vậy, tự hiệp phương sai theo chuỗi của lợi suất mang thông tin về nhiễu quan sát.

Phương sai thực hiện thông thường chỉ dùng tích lợi suất ở độ trễ bằng không, tức là cộng các lợi suất bình phương. Ở tần suất lấy mẫu rất cao, tổng này có thể tích lũy nhiễu nhanh hơn tốc độ ghi nhận chuyển động mới của giá tiềm ẩn. Realized kernel dùng số hạng độ trễ bằng không cùng các tự hiệp phương sai có trọng số ở độ trễ dương và âm. Với các giả định phù hợp và băng thông tăng theo quy tắc thích hợp, các số hạng khác không giúp bù lại tác động nhiễu chủ đạo trong khi vẫn giữ thông tin về biến động của giá hiệu quả.

Barndorff-Nielsen, Hansen, Lunde và Shephard phát triển realized kernel để đo biến động ngoài mẫu khi có ma sát thị trường trong bài báo Econometrica gốc. Công trình xem đây là phép tính phương sai dài hạn được gán trọng số cẩn thận, chứ không phải chỉ dẫn sử dụng mọi tick có sẵn mà không kiểm tra dữ liệu. Phép chuẩn tần suất cao đơn giản hơn được trình bày trong hướng dẫn tính realized volatility. Bài này tập trung vào hiệu chỉnh bằng kernel và các lựa chọn đi kèm.

Gọi \(X_t\) là giá log hiệu quả tiềm ẩn và \(Y_{t_i}\) là giá log được ghi nhận tại thời điểm \(t_i\):

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

trong đó \(\epsilon_{t_i}\) biểu thị nhiễu vi cấu trúc thị trường. Một mô hình cơ sở thường xem giá tiềm ẩn là quá trình liên tục có tốc độ phương sai cục bộ \(\sigma_t^2\); đại lượng mục tiêu trên khoảng cố định \([0,T]\) là phương sai tích phân:

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

Phép suy dẫn đơn giản nhất giả định nhiễu có kỳ vọng bằng không, độc lập theo thời gian, độc lập với quá trình giá hiệu quả và có phương sai ổn định. Các giả định này giúp thấy rõ nguồn gốc của hiệu chỉnh. Giao dịch và báo giá thực tế có thể không đáp ứng chúng: nhiễu có thể phụ thuộc chuỗi, thay đổi theo thời gian, liên quan đến giá hiệu quả hoặc chịu ảnh hưởng của cách chọn thời điểm quan sát.

Nếu quá trình tiềm ẩn có bước nhảy, biến thiên bậc hai cũng bao gồm bình phương các bước nhảy. Có nên tính chúng vào mục tiêu hay không tùy thuộc vào mô hình và câu hỏi nghiên cứu. Phép suy dẫn với giá liên tục nhắm đến phương sai tích phân; không nên nói realized kernel tách được phương sai liên tục khỏi bước nhảy nếu chưa bổ sung cấu trúc có khả năng xử lý bước nhảy. Hướng dẫn về biến thiên bậc hai giải thích sự khác nhau giữa phương sai tích phân và tổng biến thiên của đường đi.

Thiết lập này ước lượng một khoảng thời gian đã kết thúc. Nó không khôi phục chính xác giá tiềm ẩn, không dự báo khoảng kế tiếp và không cho biết mức giá có thể khớp lệnh. Dữ liệu tần suất cao đầu vào cũng cần quy ước rõ ràng: giá giao dịch, trung điểm báo giá hay một đại diện giá khác có thể tạo ra chuỗi lợi suất và đặc tính nhiễu khác nhau.

Với chuỗi \(n\) lợi suất quan sát \(r_i=Y_{t_i}-Y_{t_{i-1}}\), định nghĩa tổng tự hiệp phương sai chưa chuẩn hóa ở độ trễ \(h\):

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

Ở độ trễ bằng không, \(\Gamma_0=\sum_{i=1}^n r_i^2\), chính là phương sai thực hiện thông thường. Ở độ trễ một, các tích ghép cặp lợi suất liền kề. Trong mô hình nhiễu giá cộng độc lập, thành phần nhiễu trong hai lợi suất liền nhau có dấu ngược nhau: sai số quan sát dương làm tăng một lợi suất rồi làm giảm lợi suất kế tiếp. Điều này thường tạo ra tự hiệp phương sai âm ở độ trễ một. Nói chung, các mẫu phụ thuộc chuỗi qua nhiều độ trễ có thể cho thấy nhiễu ảnh hưởng đến chuỗi lợi suất ra sao.

Các tổng theo độ trễ không được chia cho số tích. Chi tiết này quan trọng vì realized kernel kết hợp chúng trên cùng thang đo với tổng phương sai thực hiện. Ước lượng này có liên hệ với ước lượng phương sai dài hạn vững với phương sai thay đổi và tự tương quan, nhưng không đơn thuần là tổng tùy ý của các tự tương quan mẫu đã chuẩn hóa. Điểm đầu, điểm cuối và quy ước tổng chính xác là một phần của định nghĩa ước lượng.

Các tự hiệp phương sai không gắn nhãn tick nào là “nhiễu” hay “tín hiệu”; chúng cộng các tích chéo trên cả khoảng. \(\Gamma_1\) âm có thể phù hợp với hiện tượng giá dao động quanh giá chào mua-bán, nhưng tự nó không chứng minh một cơ chế cụ thể. Nếu lợi suất thật phụ thuộc chuỗi hoặc cấu trúc nhiễu quan sát khác đi, cùng một tự hiệp phương sai có thể phản ánh nhiều tác động. Việc ước lượng dựa trên mô hình đã nêu và trọng số kernel, không dựa vào cách diễn giải từng độ trễ như một chẩn đoán trực tiếp về thị trường.

Với độ trễ lớn nhất \(H\), một quy ước phổ biến cho mẫu hữu hạn định nghĩa:

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

Hệ số 2 tính cả các số hạng đối xứng ở độ trễ âm. Ở đây \(k(x)\) là trọng số kernel trên \(0\le x\le1\), với \(k(0)=1\) và trọng số giảm dần về không gần giới hạn băng thông. Bài báo và phần mềm có thể dùng quy ước biên và chỉ số hơi khác, chẳng hạn dùng \(H+1\) ở mẫu số. Hãy nêu quy ước và áp dụng nhất quán khi tái lập kết quả.

Kernel Parzen là lựa chọn không âm thường dùng:

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

Kernel này gán trọng số lớn cho độ trễ ngắn và giảm trơn trọng số ở độ trễ dài. Cách giảm trơn hữu ích vì nhiễu tần suất cao có thể tạo phụ thuộc giữa các lợi suất, trong khi ước lượng ở độ trễ xa ngày càng biến động. Cấu trúc Parzen không âm được thiết kế để ước lượng realized kernel đơn biến không âm theo cách triển khai đã nêu. Kernel khác không nhất thiết có tính chất này. Kernel flat-top có thể có đặc tính sai lệch thuận lợi nhưng vẫn tạo ước lượng âm trong mẫu hữu hạn.

Hình bên dưới là phép ví von cho sự giảm dần này: đóng góp ở độ trễ gần được nhấn mạnh, còn độ trễ xa mờ dần. Đây không phải đồ thị lợi suất quan sát, trọng số thực nghiệm của một mẫu cụ thể hay ước lượng biến động.

<!-- learn:illustration --> <!-- Minh họa khái niệm không chữ: các tiếng vọng lợi suất đối xứng mờ dần khi rời xa vùng sáng ở giữa, gợi ý trọng số độ trễ giảm trơn trong một băng thông hữu hạn. Không phải dữ liệu thị trường hay đầu ra ước lượng. -->

Băng thông \(H\) là độ trễ lớn nhất được đưa vào tổng. Nếu quá nhỏ, ước lượng có thể bỏ sót một phần phụ thuộc chuỗi quan trọng do nhiễu quan sát. Nếu quá lớn, các tích ở độ trễ xa nhiều nhiễu hơn được thêm vào và phương sai lấy mẫu có thể tăng. Vì vậy, băng thông là lựa chọn điều chỉnh thống kê, không phải số quan sát cần loại bỏ hoặc khoảng thời gian dùng được cho mọi tài sản.

Trong lý thuyết tiệm cận của realized kernel Parzen, băng thông tối ưu tăng theo bậc \(n^{3/5}\). Một công thức thực hành trong tài liệu là:

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

trong đó \(n\) là số lợi suất trên lưới dày, còn \(\xi\) tóm tắt mức nhiễu tương đối và mô men bậc bốn tích phân của giá tiềm ẩn. Một biểu thức tỷ lệ là:

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

với \(\omega^2\) là phương sai nhiễu quan sát. Trong thực tế, các đại lượng này chưa biết và phải được ước lượng, thường bằng ước lượng sơ bộ của phương sai nhiễu và quarticity tích phân. Công thức cho thấy số độ trễ tối ưu phụ thuộc cả cỡ mẫu lẫn môi trường nhiễu so với tín hiệu; đây không phải cấu hình cố định dùng chung.

Thiết kế tiệm cận đòi hỏi băng thông tăng nhưng vẫn nhỏ so với cỡ mẫu, thường biểu diễn là \(H\to\infty\) và \(H/n\to0\). Quy tắc \(n^{3/5}\) cân bằng sai lệch và phương sai chủ đạo theo các điều kiện mô hình và kernel trong bài báo. Trong một phiên giao dịch hữu hạn, ước lượng thế có thể thiếu ổn định nếu ước lượng sơ bộ về nhiễu hoặc quarticity kém. Hãy báo cáo \(H\) đã chọn, quy ước chỉ số, dữ liệu đầu vào sơ bộ và phân tích độ nhạy với các lựa chọn thay thế có cơ sở.

Xét chuỗi lợi suất giả định rất nhỏ, đo bằng điểm cơ bản:

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

Chuỗi này chỉ nhằm kiểm tra số học. Đây không phải dữ liệu thị trường; bốn lợi suất cũng quá ít để biện minh cho việc chọn băng thông tiệm cận. Tổng ở độ trễ bằng không là:

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

Các tích ở độ trễ một là \((-1),(-1),(-1)\), nên \(\Gamma_1=-3\ \mathrm{bp}^2\). Ở độ trễ hai, \(r_3r_1=1\) và \(r_4r_2=1\), do đó \(\Gamma_2=2\ \mathrm{bp}^2\).

Chọn \(H=2\) chỉ để minh họa công thức. Với kernel Parzen, \(k(1/2)=1-6(1/4)+6(1/8)=1/4\), còn \(k(1)=0\). Vì vậy:

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

Phương sai thực hiện thông thường là \(4\ \mathrm{bp}^2\); số hạng âm ở độ trễ một có trọng số làm giảm ước lượng kernel trong ví dụ này. Tổng ở độ trễ hai không đóng góp vì trọng số Parzen tại biên bằng không. Kết quả không âm, nhưng phép tính này không chứng minh nó bằng biến động của giá hiệu quả tiềm ẩn. Không quan sát đường giá tiềm ẩn, không tính khoảng bất định, và cũng không có kết luận dự báo hay giao dịch nào. Căn bậc hai của kết quả, khoảng \(1.58\) bp, chỉ là thang độ lệch chuẩn của khoảng giả định này.

Ví dụ cũng cho thấy cần báo cáo băng thông và quy tắc chỉ số cùng với ước lượng. \(H\) khác, quy ước biên khác hoặc chuỗi lợi suất khác sẽ làm thay đổi trọng số hay các tích được đưa vào. Kết quả có thể tái lập vì từng lợi suất, tổng theo độ trễ, trọng số và đơn vị đều được trình bày.

Các tổng độ trễ chưa chuẩn hóa có thể khiến quan sát ở đầu hoặc cuối chuỗi có ảnh hưởng quá lớn, nhất là khi giá ghi nhận đầu tiên hay cuối cùng có sai số nhiễu lớn. Các nghiên cứu thực hành về realized kernel bàn đến lấy trung bình cục bộ, thường gọi là jittering, để giảm hiệu ứng biên. Một cách triển khai phổ biến thay giá ở điểm cuối bằng trung bình cục bộ của các quan sát gần đó trước khi tính lợi suất. Cửa sổ chính xác rộng bao nhiêu và lấy trung bình một hay cả hai đầu là lựa chọn triển khai nên được mô tả rõ.

Làm sạch dữ liệu có thể quan trọng ngang công thức. Một giao dịch lỗi, báo giá cũ, thị trường chéo, dấu thời gian trùng lặp hoặc sai thang giá có thể tạo lợi suất và tích trễ đi vào nhiều tổng. Hãy ghi rõ trường giá, căn chỉnh dấu thời gian, ranh giới phiên, cách xử lý bản ghi trùng, bộ lọc, đấu giá và thời gian đóng cửa thị trường. Cần xác định quy tắc làm sạch độc lập với việc chúng có khiến ước lượng cuối trông hợp lý hơn hay không.

Nghiên cứu thực hành realized kernel năm 2009 bàn về dữ liệu giao dịch và báo giá, hiệu ứng biên, xu hướng cục bộ và kernel Parzen không âm. Bài học thực hành là “vững với nhiễu” không có nghĩa “không phụ thuộc dữ liệu”. Thành phần giá dịch chuyển từ từ trong cửa sổ ngắn, ma sát thị trường thay đổi hoặc cách tạo báo giá có thể làm phức tạp cách diễn giải cơ sở. Jittering có thể giảm một vấn đề ở điểm cuối; nó không sửa được chuỗi căn chỉnh sai hoặc một quan sát lỗi ở giữa mẫu.

Lý thuyết cổ điển dựa trên các giả định về quá trình giá tiềm ẩn, cách lấy mẫu, nhiễu, tính trơn của kernel và băng thông. Một số cấu trúc realized kernel vững với dạng nhiễu phụ thuộc chuỗi rộng hơn và thời điểm quan sát nội sinh hơn so với ví dụ nhiễu độc lập đơn giản. Tính vững đó gắn với từng định lý: cần dùng kernel và băng thông đáp ứng các điều kiện tương ứng. Nghiên cứu về nhiễu vi cấu trúc phụ thuộc của Aït-Sahalia, Mykland và Zhang giúp thấy vì sao phải xem xét rõ phụ thuộc của nhiễu, thay vì cho rằng mọi mở rộng đều tự động suy ra từ công thức cơ sở.

Lựa chọn kernel có ý nghĩa. Kernel Parzen thường được dùng cho ước lượng đơn biến không âm. Trọng số flat-top nhắm đến đặc tính sai lệch khác và có thể tạo ước lượng âm trong mẫu hữu hạn. Không nên thay bằng kernel HAC tùy ý chỉ vì đã quen thuộc: tài liệu realized kernel giải thích rằng một số lựa chọn quen thuộc, gồm lựa chọn Bartlett trong cấu trúc được phân tích, không cho cùng kết quả nhất quán. Nếu ước lượng âm, hãy nêu kernel và quy tắc mẫu hữu hạn; đừng âm thầm cắt về không hoặc gọi đó là phương sai vật lý âm.

Kết quả cũng chịu giới hạn của đại diện giá và đại lượng mục tiêu. Bước nhảy có thể là một phần của biến thiên bậc hai; ngoại lệ có thể chi phối các tích; quan sát không đều hoặc không đồng bộ có thể làm thay đổi đại lượng được ước lượng; biến động và nhiễu có thể đổi trong khoảng. Realized kernel đơn biến tự nó không giải quyết lấy mẫu đa biến không đồng bộ, không loại bước nhảy và không tách hiện tượng giá nhảy quanh giá chào mua-bán khỏi mọi nguồn phụ thuộc lợi suất khác. Một ước lượng vững là vững trong một mô hình đã nêu, không miễn nhiễm với mọi lỗi dữ liệu có thể có.

Báo cáo có thể tái lập cần nêu chuỗi giá và thiết kế lấy mẫu, cửa sổ quan sát, đơn vị lợi suất, hàm kernel, độ trễ lớn nhất \(H\), quy ước biên, quy tắc lấy trung bình điểm cuối và cách làm sạch. Nếu dùng băng thông thế, hãy báo cáo đầu vào ước lượng về nhiễu và quarticity hoặc đủ chi tiết để tái tạo chúng. Nêu kết quả là ước lượng phương sai tích phân, ước lượng biến thiên bậc hai gồm bước nhảy hay thước đo biến động đã chuyển đổi.

Ước lượng mô tả biến động trong khoảng được lấy mẫu. Nó không phải dự báo biến động tương lai, trừ khi một mô hình dự báo riêng ánh xạ các phép đo lịch sử sang chân trời tương lai và được đánh giá ngoài mẫu. Nó cũng không phải chênh lệch giá niêm yết hay chi phí khớp lệnh: hướng dẫn ước lượng chênh lệch giá mua-bán theo Roll dùng tự hiệp phương sai lợi suất để ước lượng đại lượng khác. Hướng dẫn realized volatility hai thang đo trình bày một cách tiếp cận vững với nhiễu có cấu trúc hiệu chỉnh khác.

Quyết định trọng tâm không chỉ là có dùng realized kernel hay không. Cần xem dữ liệu giá, cách lấy mẫu, mục tiêu, kernel và băng thông có phù hợp với câu hỏi nghiên cứu để hỗ trợ cách diễn giải đã báo cáo hay không. Bảng độ nhạy và giới hạn mô hình được nêu rõ giúp kiểm tra phán đoán đó. Ngay cả ước lượng cẩn thận vẫn là phép đo lịch sử có bất định lấy mẫu; nó không chứng minh quy tắc giao dịch có lợi nhuận hoặc bảo đảm ảnh hưởng vi cấu trúc đã biến mất.