[논문 리뷰] A GMM approach to estimate the roughness of stochastic volatility

Anine E. Bolko, Kim Christensen외 2명|arXiv (Cornell University)|2020. 10. 09.

Financial Risk and Volatility Modeling인용 수 10

한 줄 요약

이 논문은 분수 Brown 운동으로 구동되는 로그정규 스토케스틱 볼라티리티 모델에서 허스트 지수에 대한 일반화된 모멘트 방법(GMM) 추정기법을 제안한다. 이는 볼라티리티 파라미터와 거칠기의 동시 추정을 가능하게 하며, 실현 분산 측정에서 발생하는 표본 오차를 보정하여 일致하고 점근적으로 정규분포를 따르는 추정치를 도출한다. 실증적으로는 주요 주식 인덱스에서 허스트 지수가 약 0.05로 매우 낮게 확인되어 거칠기 볼라티리티가 존재함을 확인한다.

ABSTRACT

We develop a GMM approach for estimation of log-normal stochastic volatility models driven by a fractional Brownian motion with unrestricted Hurst exponent. We show that a parameter estimator based on the integrated variance is consistent and, under stronger conditions, asymptotically normally distributed. We inspect the behavior of our procedure when integrated variance is replaced with a noisy measure of volatility calculated from discrete high-frequency data. The realized estimator contains sampling error, which skews the fractal coefficient toward "illusive roughness." We construct an analytical approach to control the impact of measurement error without introducing nuisance parameters. In a simulation study, we demonstrate convincing small sample properties of our approach based both on integrated and realized variance over the entire memory spectrum. We show the bias correction attenuates any systematic deviance in the parameter estimates. Our procedure is applied to empirical high-frequency data from numerous leading equity indexes. With our robust approach the Hurst index is estimated around 0.05, confirming roughness in stochastic volatility.

연구 동기 및 목표

• 일반 허스트 지수를 가진 로그정규 스토케스틱 볼라티리티 모델에 대한 GMM 기반 추정 프레임워크를 개발하기 위해.
• 고주기 실현 분산을 통합 분산의 대체 측정치로 사용할 때 발생하는 표본 오차에 의해 유도되는 편향을 다루기 위해.
• 사전에 허스트 지수를 추정하지 않고도 동시에 추정할 수 있는 절차를 제공함으로써 효율성과 유한 표본 성능을 향상시키기 위해.
• 실제 표본 조건 하에서 추정기의 이론적 성질—일관성과 점근적 정규성—을 확립하기 위해.
• 고주기 주식 데이터를 활용하여 금융 시장에서 거칠기 볼라티리티의 존재를 실증적으로 검증하기 위해.

제안 방법

• 분수 로그정규 스토케스틱 볼라티리티 모델에서 통합 분산의 자기공분산 구조에서 유도된 모멘트 조건을 사용한다.
• 자기공분산 함수의 닫힌 형태 적분 표현을 활용하여 시뮬레이션 기반 추정을 피한다.
• GMM 추정기는 실현 분산을 통합 분산의 노이즈 있는 대체 측정치로 사용하며, 측정 오차에 대한 분석적 편향 보정을 수행한다.
• 부가 매개변수를 도입하지 않아도 되어 모델의 단순성을 유지한다.
• 약한 정규성 조건 하에서 추정기의 일관성과 점근적 정규성을 이론적으로 확립한다.
• 모든 기억 파rameter 범위(허스트 지수)에 걸쳐 시뮬레이션 연구를 통해 검증되었으며, 짧은 기억과 긴 기억 모두 포함된다.

실험 결과

연구 질문

• RQ1 사전에 프랙탈 지수를 추정하지 않고도, 로그정규 스토케스틱 볼라티리티 모델에서 허스트 지수와 기타 파라미터를 함께 GMM 추정기로 추정할 수 있는가?
• RQ2 실현 분산에서 발생하는 표본 오차는 허스트 지수 추정에 어떤 영향을 미치며, 이 편향은 분석적으로 보정할 수 있는가?
• RQ3 고주기 금융 데이터에 적용했을 때, 제안된 GMM 방법이 일관되고 점근적으로 정규분포를 따르는 추정치를 도출하는가?
• RQ4 실제 금융 데이터에서 추정된 허스트 지수가 0.5 이하로 유의미하게 낮은가? 이는 거칠기 볼라티리티를 시사하는가?
• RQ5 이 방법은 짧은 기억(예: H < 0.5)과 긴 기억(예: H > 0.5)을 포함한 다양한 기억 영역에서의 유한 표본 성능이 어떻게 되는가?

주요 결과

• 통합 분산 기반 GMM 추정기는 정규성 조건 하에서 일관성과 점근적 정규성을 확보한다.
• 실현 분산을 대체 측정치로 사용할 경우, 표본 오차는 '허위로 거칠어지는 것'—즉, 반성적 성향을 과도하게 추정하는 체계적 편향을 유도한다.
• 제안된 분석적 편향 보정은 이 체계적 편향을 효과적으로 제거한다.
• 시뮬레이션 연구를 통해 허스트 지수의 전체 스펙트럼—특히 매우 낮은 값들—에서 강력한 소표본 성능을 확인하였다.
• 주요 주식 인덱스의 고주기 데이터에 실증적으로 적용한 결과, 허스트 지수 추정치는 약 0.05로 나타나 거칠기 볼라티리티의 존재를 확인하였다.
• 모델의 모든 파라미터(허스트 지수, 볼라티리티의 볼라티리티, 평균 회귀 속도, 장기 분산)는 시뮬레이션 없이도 모멘트 조건만으로 식별 가능하다.