[论文解读] Realized range-based estimation of integrated variance

Kim Christensen, Mark Podolskij|SSRN Electronic Journal|Jan 28, 2026

Economic Policies and Impacts被引用 18

一句话总结

引入实现区间范围方差（RRV）用于估计连续半鞘过程的积分方差，证明一致性、混合高斯CLT，以及相比 realized variance (RV) 的显著效率提升；给出离散观测数据和非交易效应的偏差处理，以及一个经验性 TAQ 应用。

ABSTRACT

We provide a set of probabilistic laws for estimating the quadratic variation of continuous semimartingales with realized range-based variance -- a statistic that replaces every squared return of realized variance with a normalized squared range. If the entire sample path of the process is available, and under a set of weak conditions, our statistic is consistent and has a mixed Gaussian limit, whose precision is five times greater than that of realized variance. In practice, of course, inference is drawn from discrete data and true ranges are unobserved, leading to downward bias. We solve this problem to get a consistent, mixed normal estimator, irrespective of non-trading effects. This estimator has varying degrees of efficiency over realized variance, depending on how many observations that are used to construct the high-low. The methodology is applied to TAQ data and compared with realized variance. Our findings suggest that the empirical path of quadratic variation is also estimated better with the realized range-based variance.

研究动机与目标

• 在微观结构限制（噪声和采样限制）下提高波动率估计效率的需求的动机。
• 提出一种非参数、基于区间范围的积分方差估计器，利用日内高低信息。
• 在温和条件下，发展理论保证：RRV的一致性和混合高斯中心极限定理。
• 解决实际问题：离散观测的高低区间的偏差和非交易效应，包括具有有限m样本校正的估计量。
• 使用高频 TAQ 数据（GM）进行实证评估，将 RRV 与 RV 进行比较。

提出的方法

• 将 realized range-based variance (RRV) 定义为 RRV^Δ = (1/λ2) sum_{i=1}^n s_{p_{iΔ,Δ}}^2，使用日内价格区间。
• 推导出 RRV^Δ 能对 IV 一致估计，并具有混合高斯极限：sqrt(n)(RRV^Δ - IV) -> MN(0, Λ IQ)。
• 引入一个离散化调整版本 RRV_m^Δ，在每个区间有 m 个高频观测以校正向下偏差（λ2,m）。
• 通过 RRQ（realized range-based quarticity）实现可行推断，以在CLT中估计 IQ。
• 提供稳定收敛性结果和基于对数变换的 delta 方法以改善有限样本性能。
• 在带有随机波动的蒙特卡罗仿真中展示有限样本性质和分布理论。
• 将该方法应用于 GM TAQ 数据，以将 RRV 与 RV 进行比较并评估实际性能。

实验结果

研究问题

• RQ1 在现实采样结构下，RRV 是否能对连续半鞘过程的积分方差 IV 进行一致估计？
• RQ2 RRV（及其离散化变体）的渐近分布是什么，以及它如何取决于潜在的波动率过程？
• RQ3 在日内采样方案和离散化水平下，RRV 相对于 RV 的效率如何？
• RQ4 如何纠正 empirical data 中离散观测的高低区间和非交易效应引起的偏差？
• RQ5 是否可在真实高频数据（如 TAQ）和不规则采样下对 RRV 进行推断？

主要发现

• RRV^Δ 在价格过程的温和条件下对 IV 具有一致收敛。
• sqrt(n)(RRV^Δ - IV) 在稳定意义上收敛到一个混合正态极限，方差为 Λ IQ，其中 Λ 约等于 0.4，IQ 是积分四次方差。
• RRV^Δ 明显比 RV^Δ 更高效，在渐近方差因子上的采样误差约为五分之一。
• 在有限样本且 m > 1 时，RRV_m^Δ 仍然一致，并表现出一个由 λ_{2,c}, λ_{4,c}（布朗区间的矩）推导的方差因子 Λ_c 的CLT。
• 利用 RRQ^Δ（realized range-based quarticity）的可行推断提供了一个对 IQ 的一致估计，用于构建标准误和置信区间。
• 蒙特卡罗结果显示 RRV^Δ 的有限样本行为得到改善，尤其是在对数变换的 t 统计量时。
• 将 GM 的 TAQ 实证应用展示了在高频数据约束下，RRV 相对 RV 的实际益处。