[論文レビュー] When Frictions are Fractional: Rough Noise in High-Frequency Data

Carsten Chong, Thomas Delerue+1 more|arXiv (Cornell University)|Jun 30, 2021

Financial Risk and Volatility Modeling被引用数 8

ひとこと要約

本稿は、高頻度金融データにおける市場マクロ構造ノイズが自己相似的・長-range依存的構造を示す分数 Browm運動に類似していると仮定する粗いノイズモデルを提案する。ノイズを自己相関パラメータ H ∈ (1/4, 1/2) の粗いものとしてモデル化することで、粗さパラメータ H、積分型ボラティリティ、ノイズボラティリティの一貫した推定器を導出し、日次パターンやボラティリティシグネチャー図における変動率の変化に対しても正確な推論を可能にする。

ABSTRACT

The analysis of high-frequency financial data is often impeded by the presence of noise. This article is motivated by intraday return data in which market microstructure noise appears to be rough, that is, best captured by a continuous-time stochastic process that locally behaves as fractional Brownian motion. Assuming that the underlying efficient price process follows a continuous Itô semimartingale, we derive consistent estimators and asymptotic confidence intervals for the roughness parameter of the noise and the integrated price and noise volatilities, in all cases where these quantities are identifiable. In addition to desirable features such as serial dependence of increments, compatibility between different sampling frequencies and diurnal effects, the rough noise model can further explain divergence rates in volatility signature plots that vary considerably over time and between assets.

研究の動機と目的

• 従来のノイズモデルが、ボラティリティシグネチャー図における遅い発散レートを捉えられないという限界を是正すること。
• 市場マクロ構造ノイズを粗いものとしてモデル化すること、すなわち自己相関パラメータ H ∈ (1/4, 1/2) の分数 Browm 運動に類似した局所的挙動として扱うこと。
• 連続的な Itô 半マルティンゲールフレームワーク下で、粗さパラメータ H、積分型価格ボラティリティ、および積分型ノイズボラティリティの一致推定器を開発すること。
• i.i.d. または短記憶ノイズモデルでは捉えきれない、時間的に変化するおよび資産固有の発散レートを説明すること。
• 粗いノイズモデル下で、すべての識別可能なパラメータの漸近的信頼区間を提供すること。

提案手法

• 観測価格を Y_t = X_t + Z_t としてモデル化し、X_t を Itô 半マルティンゲール、Z_t を自己相関パラメータ H を持つ粗いノイズとする。
• 実現ボラティリティおよび実現分散プロットを用いてノイズの粗さを検出し、Δ_n^{-1} よりも遅い発散レートを観察する。
• バイアス補正推定方程式アプローチを用いて、H、積分型ボラティリティ C_T、ノイズボラティリティ Π_T の一貫した推定器を導出する。
• 初期の H 推定器のバイアスを是正するための反復的バイアス補正手順を実装し、漸近的効率性を向上させる。
• 最適な重みベクトルを求めるために数値最適化（R の fminsearch を使用）を実施し、初期値として H = 0.35 を固定する。
• 推定器の漸近的分布に基づき、H、C_T、Π_T の漸近的信頼区間を構築する。

実験結果

リサーチクエスチョン

• RQ1 自己相関パラメータ H ∈ (1/4, 1/2) の分数 Browm 運動としてモデル化される粗いノイズは、高頻度取引データのボラティリティシグネチャー図で観察される遅い発散レート（例：Δ_n^{-0.40}）を説明できるか？
• RQ2 粗いノイズモデル下で、粗さパラメータ H、積分型価格ボラティリティ、および積分型ノイズボラティリティの一致推定器は識別可能で実用的か？
• RQ3 従来の i.i.d. または短記憶ノイズモデルと比較して、粗いノイズモデルは日次パターンや時間的に変化する発散レートをどれほどよく捉えられるか？
• RQ4 最適重みの解析的表現が存在しないにもかかわらず、提案された推定器は良好な有限標本性能を維持できるか？
• RQ5 高頻度报价データにおける粗いノイズの実証的頻度はどの程度で、時間経過とともに持続するか？

主な発見

• 粗いノイズモデルは、Δ_n^{-1} よりもはるかに遅い発散レート（例：2007年11月30日インテル（INTC）データで観察された Δ_n^{-0.40}）を説明できることを示した。
• 2019年のダウ工業平均30種銘柄の报价データ分析では、H の推定値が 0.35 付近に集中しており、粗いノイズの強力で一貫した存在が確認された。
• 反復的バイアス補正手順により、H 推定器の有限標本性能が顕著に向上し、固定重み（H₀ = 0.35）を用いた場合の分散増加は最大で2.1%にとどまった。
• H、C_T、Π_T の漸近的信頼区間は有効であり、複雑なサンプリングスキームや日次効果に対しても良好なカバレッジを達成した。
• 高頻度データにおける価格インクリメントの収縮（収縮率 ~0.72）をモデルが説明でき、これは i.i.d. ノイズとは整合せず、粗いノイズと整合的である。
• H₀ = 0.35 で固定重みを用いた H 推定器の分散は、H = 0.45 の最小分散の2.6倍以内にとどまるため、H₀ の誤指定に対してもロバストであることが示された。