[论文解读] Are volatility estimators robust with respect to modeling assumptions?

Yingying Li, Per A. Mykland|SSRN Electronic Journal|Sep 4, 2007

Stochastic processes and financial applications参考文献 11被引用 8

一句话总结

本文研究了在高频金融数据中，两尺度实现波动率（TSRV）估计量对建模假设的鲁棒性。结果表明，在平滑扰动（如加法误差）下，尽管存在市场微观结构噪声，TSRV仍能一致估计已实现波动率。然而，对于非平滑扰动（如舍入），鲁棒性失效，估计量可能收敛至依赖于扰动结构的有偏极限。

ABSTRACT

We consider microstructure as an arbitrary contamination of the underlying latent securities price, through a Markov kernel $Q$. Special cases include additive error, rounding and combinations thereof. Our main result is that, subject to smoothness conditions, the two scales realized volatility is robust to the form of contamination $Q$. To push the limits of our result, we show what happens for some models that involve rounding (which is not, of course, smooth) and see in this situation how the robustness deteriorates with decreasing smoothness. Our conclusion is that under reasonable smoothness, one does not need to consider too closely how the microstructure is formed, while if severe non-smoothness is suspected, one needs to pay attention to the precise structure and also the use to which the estimator of volatility will be put.

研究动机与目标

• 评估实现波动率估计量（特别是TSRV）在关于市场微观结构噪声的各种建模假设下是否仍保持一致性。
• 澄清在污染条件下，TSRV实际估计的是哪个波动率量（⟨X,X⟩T 或 ⟨f(X),f(X)⟩T）。
• 研究非平滑污染（如舍入）对波动率估计量鲁棒性的影响。
• 确定在何种条件下，市场微观结构模型的选择会显著影响推断结果。
• 提供理论条件，使TSRV可在不了解误差机制精确信息的情况下可靠使用。

提出的方法

• 将观测价格 Y 建模为潜在半鞅 X 的污染版本，通过马氏核 Q(x,dy)，允许加法误差、舍入或其组合。
• 将两尺度实现波动率（TSRV）估计量定义为高频与低频实现方差的组合，以减少市场微观结构噪声带来的偏差。
• 利用局部时与鞅极限理论，分析在一般污染条件下TSRV的渐近行为。
• 应用重采样与弱收敛技术，推导归一化估计量的极限分布。
• 分析一个结合加法误差与舍入的特定模型，其中扰动函数 f(x) 为不连续函数，以研究鲁棒性的失效。
• 采用函数δ方法与依分布收敛，推导 √n 倍估计误差的极限。

实验结果

研究问题

• RQ1 在何种条件下，两尺度实现波动率（TSRV）对任意形式的市场微观结构污染具有鲁棒性？
• RQ2 当污染为非平滑形式（如舍入）时，TSRV估计量是否仍一致估计真实已实现波动率 ⟨X,X⟩T？
• RQ3 在平滑与非平滑污染下，归一化TSRV估计量的极限分布为何？
• RQ4 扰动函数 f(x) 的选择如何影响波动率估计量的偏差与收敛速度？
• RQ5 在舍入情形下，TSRV估计量收敛至哪个波动率——⟨X,X⟩T 还是 ⟨f(X),f(X)⟩T？其依赖于模型参数如何？

主要发现

• 对于平滑污染（如加法误差），两尺度实现波动率（TSRV）具有鲁棒性，并能一致估计真实已实现波动率 ⟨X,X⟩T。
• 在扰动函数 f(x) 满足平滑性条件时，即使误差机制未知，TSRV估计量仍收敛至 ⟨X,X⟩T。
• 在舍入情形下，TSRV估计量不再估计 ⟨X,X⟩T，而是收敛至一个涉及潜在价格过程局部时的有偏极限。
• 证明了 √n 倍估计误差的极限分布是非退化的，且依赖于潜在过程在特定水平处的局部时，具体为 ∑ₖ L_{log((k+1/2)α)}^T (log((k+1)/k))²。
• TSRV的鲁棒性随扰动平滑性的降低而下降；非平滑扰动（如舍入）会引入系统性偏差，不可忽视。
• 当扰动非平滑时，估计量的选择与关注的目标量必须仔细匹配，因为 ⟨X,X⟩T 与 ⟨f(X),f(X)⟩T 可能显著偏离。