Hayashi–Yoshida 协方差估计量：异步价格详解

两种资产即使在相同市场时段交易，成交时点也可能不同。流动性高的股票频繁成交，交易较少的股票可能暂时没有新成交或报价，观测到的价格变化因而落在不同时间网格上。研究目标或许是它们同期的共同变动，但观测收益未必有一对恰好覆盖相同区间。

一种常见做法是按固定时钟取样，并沿用每个资产最近一次观测价。这会生成对齐的收益列，但重复沿用的旧价格并不是潜在价格的新独立观测。重复的零收益与滞后的补偿变动会扭曲共同变动的测量。Epps 发现，测量间隔缩短时，观测到的股票收益相关性可能下降；异步观测是其中一个机制，市场数据还存在其他影响。这种短间隔模式通常称为 Epps 效应（Epps, 1979）。

Hayashi 和 Yoshida 提出的估计量直接使用原始异步增量，不必先选定插值规则。早期研究证明，在高频抽样条件下，扩散价格的估计量具有一致性（Hayashi & Yoshida, 2005）；后续研究在一般异步抽样方案下推导了渐近正态性（Hayashi & Yoshida, 2008）。核心规则是按时间区间是否重叠配对，而不是只看时间戳是否接近。

令 \(X_t\) 与 \(Y_t\) 表示共同区间 \([0,T]\) 内两种资产的潜在有效对数价格。简单的连续扩散模型可写为

\[ dX_t=\mu^X_t\,dt+\sigma^X_t\,dW^X_t,\qquad dY_t=\mu^Y_t\,dt+\sigma^Y_t\,dW^Y_t, \]

并令瞬时布朗相关满足 \(d[W^X,W^Y]_t=\rho_t\,dt\)。目标量是积分协方差：

\[ [X,Y]_T=\int_0^T \sigma^X_t\sigma^Y_t\rho_t\,dt. \]

它是在所选观察窗口内沿价格路径累积的量，不是两个静态价格水平的协方差，也不自动等于相关系数。单位是两种收益单位的乘积：若对数收益以百分点表示，估计值的单位就是百分点平方。已实现波动率计算指南介绍单序列平方收益指标；二次变差指南解释多元已实现协方差所扩展的路径量。

目标值可以为正，也可以为负。正值表示同一窗口内，同号收益增量产生的交叉乘积总体占优；负值表示异号乘积占优。单凭符号不能说明资产为何共同变动、是否存在因果关系，或某种组合规则是否有利可图。

计算普通已实现协方差时，分析者可能选择固定时点，并使用每种资产当时最近的价格。这很方便，但结果可能取决于网格间隔和插值约定。价格长时间未更新时，多个网格点会重复同一报价；之后的价格更新可能变成一笔覆盖时间更长的收益，与另一资产配对的区间并不一致。

这可能把同期协方差转移到虚假的领先—滞后成分中，也可能在网格变密时把估计压向零。Epps 的早期实证结果描述短间隔下观测共同变动的变化；后续研究则推导了异步抽样且价格含噪时，按前值同步协方差的偏差。因此，高频相关性下降是一种需要诊断的现象，并不能证明异步时点是唯一原因。

HY 保留每笔观测收益自己的时间区间，从而避开某一种同步选择。但时间戳仍须可靠：两种资产要使用共同时间标准、正确的交易时段边界，以及明确的分析起止点。它也无法修复嘈杂的成交价、错误报价或混合了不同交易时段的目标数据。

假设资产 \(X\) 在 \(0=t_0<t_1<\cdots<t_n=T\) 时刻观测，资产 \(Y\) 在 \(0=s_0<s_1<\cdots<s_m=T\) 时刻观测。对数收益增量为

\[ \Delta X_i=X_{t_i}-X_{t_{i-1}},\qquad \Delta Y_j=Y_{s_j}-Y_{s_{j-1}}. \]

相应区间为 \(I_i=(t_{i-1},t_i]\) 与 \(J_j=(s_{j-1},s_j]\)。HY 估计量为

\[ \widehat{[X,Y]}^{HY}_T =\sum_{i=1}^{n}\sum_{j=1}^{m} \Delta X_i\,\Delta Y_j\, \mathbf{1}\{|I_i\cap J_j|>0\}. \]

只有当两段收益区间存在正时长的重叠时，指示函数才纳入交叉乘积。仅共享一个端点不算正时长重叠。一段增量可能与另一资产的多段增量重叠，每一对都计入一次。该方法不沿用价格，也不会把收益拆成虚构的子收益。

在经典连续扩散设定中，若观察足够密且抽样条件适当，随着最大区间长度缩小，该和式会收敛到积分协方差。经典结果针对异步观测，并假设观测价格没有原始 tick 数据常见的市场微观结构噪声。

<!-- learn:illustration -->

假设两种资产在同一个五单位时长的交易时段内被观测。表中给出假设的对数收益（单位为百分点）及其覆盖区间。观测时间错开，因此各收益的端点并不完全相同。

例如，第一段 \(X\) 区间与第一段 \(Y\) 区间在 0 到 1.0 之间重叠，与第二段则在 1.0 到 1.8 之间重叠，所以两项交叉乘积都会计入。下一段 \(X\) 收益与第二段 \(Y\) 在 1.8 到 2.4 之间重叠，与第三段在 2.4 到 3.2 之间重叠。最后一段 \(X\) 的两个重叠贡献 \(0.02-0.01\ \mathrm{pp}^2\)。六项乘积相加为

\[ \widehat{[X,Y]}^{HY}_T =0.12+0.20+0.10-0.04+0.02-0.01 =0.39\ \mathrm{pp}^2. \]

一个百分点等于十进制收益单位中的 \(0.01\)，所以 \(0.39\ \mathrm{pp}^2=3.9\times10^{-5}\) 个十进制对数收益平方单位。输入仅为演示可复算运算而假设，并非真实市场数据。结果是该窗口的累计协方差估计，不是 0.39% 的收益、相关系数或市场观测值。

例中的正和表示同号交叉乘积总体大于负乘积。它不表示两种资产都上涨了 0.39%，也不表示它们有 39% 的变动是共同的。协方差随收益单位、窗口长度和交易活跃度变化；数值变大可能只反映单位或窗口不同，而不是标准化依赖性更强。

相关系数没有单位，需要用波动率估计进行缩放。用分别抽样或估计的方差项构造简单比率，并不自动得到有效相关系数；有限样本下甚至可能落在 \([-1,1]\) 之外。积分协方差自身也无法区分共同新闻、价格滞后调整、共同敞口或其他机制。

用于组合分析时，请说明资产权重、窗口、收益单位和协方差约定。不要把正的 HY 估计当作做多信号，也不要把负值当作对冲指令。外汇货币对相关性指南解释了为什么相关性与共同敞口需要谨慎解读。已实现指标描述选定的历史窗口，不会预测下一段收益，也不保证对冲能抵消未来损失。

经典估计量针对离散、异步观测的扩散型价格。实际近似要求每个序列的最大观测间隔相对于分析窗口足够小。长时间无交易会让一个宽区间涵盖许多可能的价格变动；公式仍然可算，但高频抽样近似可能较弱。

成交价中常有买卖价跳动、价格离散、过时报价、延迟及其他测量误差。HY 的重叠规则解决的是时间错位，不是价格误差。Griffin 与 Oomen 研究了异步抽样且存在独立同分布微观结构噪声时的已实现协方差、领先—滞后调整及 HY，指出有限样本表现取决于噪声与相关条件（Griffin & Oomen, 2011）。因此，不要把普通 HY 描述成能普遍抵抗噪声。

还需要合理的共同观察窗口。如果一个市场早于另一个市场收盘，名义上相同的日历窗口可能并不对应相同的活跃交易时段。时区转换、夏令时、集合竞价、公司行动、缺失区间和异常值过滤都可能改变重叠集合。应记录这些处理，而不是把时间戳当作无关紧要的细节。

点估计不是置信区间。Hayashi 和 Yoshida 在一般异步抽样方案下推导了渐近正态性，但应用中的标准误仍需要可实施的方差估计量，以及与抽样设计相符的假设。观察稀疏或极不均匀时，即使重叠和看起来稳定，不确定性也可能很大。

面对含噪的高频价格，应采用同时处理噪声与异步性的估计方法，或说明抽样和预处理为何合理。Christensen、Kinnebrock 与 Podolskij 为含噪扩散模型的异步数据提出预平均协方差估计量，其中包括无需先对齐原始价格的预平均 HY 型估计量（Christensen et al., 2010）。Barndorff-Nielsen 等人的多元已实现核针对噪声与异步交易下的协变动，并构造为可得到半正定协方差估计（Barndorff-Nielsen et al., 2011）。详见已实现核估计量指南。

若投资组合优化器或风险系统需要一致的协方差矩阵，半正定性很重要。根据不同重叠集合计算的两两 HY 估计，拼成矩阵后并不自动保证半正定。不要通过修改特征值悄悄“修复”矩阵；应把投影、收缩或替代估计量作为独立建模步骤报告。抗噪估计量也有调参选择与适用假设。

报告应说明两组价格序列及其类型（成交价、报价或中间价）、共同时间标准和交易时段、\([0,T]\) 的起止、收益转换、重叠约定、抽样间隔概况及所用估计量。注明协方差单位与窗口，并说明如何处理过时报价、异常值、跳跃、集合竞价和微观结构噪声。若数据异步，应说明使用原始区间，还是先同步价格。

不要习惯性地把积分协方差年化。若要把窗口估计转换为速率或年化值，应说明时间缩放假设，以及如何处理隔夜和休市时段。若进一步计算相关系数，应说明分母方差估计及矩阵约束检查。上述选择与重叠公式同样影响结果解释。

Hayashi–Yoshida 估计量的优势是直接、可复现地累加异步区间的交叉乘积，而不必虚构同步价格。它的经典保证取决于合适的无噪扩散框架和足够密集的抽样。它不能证明因果关系、解决微观结构噪声，也不保证对冲或交易规则可靠。