[论文解读] Statistical inference for rough volatility: Minimax Theory

Carsten Chong, Marc Hoffmann+3 more|arXiv (Cornell University)|Oct 3, 2022

Financial Risk and Volatility Modeling被引用 6

一句话总结

该论文首次建立了粗糙波动率模型中赫斯特参数 $ H $ 的极小极大最优统计推断，其中波动率遵循分数布朗运动且 $ H < 1/2 $。通过小波自适应估计与预平均化技术，证明了 $ H $-估计的最优收敛速率为 $ n^{-1/(4H+2)} $，即使在 $ H $ 极小时也能实现类似 $ \ olimits\sqrt{n} $ 的效率，解决了统计金融领域一个关键的开放问题。

ABSTRACT

Rough volatility models have gained considerable interest in the quantitative finance community in recent years. In this paradigm, the volatility of the asset price is driven by a fractional Brownian motion with a small value for the Hurst parameter $H$. In this work, we provide a rigorous statistical analysis of these models. To do so, we establish minimax lower bounds for parameter estimation and design procedures based on wavelets attaining them. We notably obtain an optimal speed of convergence of $n^{-1/(4H+2)}$ for estimating $H$ based on n sampled data, extending results known only for the easier case $H&gt;1/2$ so far. We therefore establish that the parameters of rough volatility models can be inferred with optimal accuracy in all regimes.

研究动机与目标

• 从离散价格观测数据中严格建立估计赫斯特参数 $ H $ 的统计极限。
• 确定当 $ H < 1/2 $ 时 $ H $-估计的极小极大最优收敛速率，扩展先前仅限于 $ H > 1/2 $ 的结果。
• 提出一种自适应小波估计方法，实现 $ H $ 估计的极小极大最优性，尽管波动率过程具有潜在性和粗糙性。
• 验证即使当 $ H \to 0 $ 时，仍可从观测价格数据中一致地推断出 $ H $，并实现近参数效率。

提出的方法

• 利用局部渐近正态性和假设检验方法，在非马氏、非马氏设定下推导 $ H $ 估计的极小极大下界。
• 应用基于小波的二次函数泛函估计方法，从高频价格数据中提取正则性信息。
• 采用预平均化技术以降低微结构噪声，并构建波动率变差的稳健估计量。
• 在小波域中应用自适应阈值化方法，以控制不同光滑水平下的偏差与方差，进而估计 $ H $。
• 在赫尔德型参数空间 $ \mathcal{D} $ 上建立估计量的统一有界性，确保在 $ H \in (0,1/2) $ 范围内的稳定性。
• 结合浓度不等式与小波系数矩界，控制 $ \widehat{H}_n $ 和 $ \widehat{\eta}_n $ 的随机误差。

实验结果

研究问题

• RQ1 当 $ H < 1/2 $ 时，粗糙波动率模型中赫斯特参数 $ H $ 的估计最优收敛速率是什么？
• RQ2 能否从离散价格观测数据中一致地估计出控制潜在波动率过程的赫斯特参数 $ H $？
• RQ3 随着 $ H \to 0 $，$ H $-估计的统计效率是否会下降，还是可以实现接近 $ \sqrt{n} $ 的性能？
• RQ4 如何将小波方法适配于非马氏、粗糙波动率模型，以实现极小极大最优性？

主要发现

• 从 $ n $ 个价格观测中估计 $ H $ 的极小极大最优收敛速率为 $ n^{-1/(4H+2)} $，适用于所有 $ H \in (0,1/2) $，扩展了以往仅限于 $ H > 1/2 $ 的结果。
• 当 $ H \to 0 $ 时，收敛速率趋近于 $ n^{-1/2} $，与标准参数模型的效率一致，表明在粗糙状态下仍具有近最优性能。
• 所提出的基于小波的自适应估计量实现了极小极大最优性，其收敛速率与推导出的下界一致。
• 由于采用预平均化与小波阈值化，该方法在模型误设和微结构噪声下仍具鲁棒性。
• 在 $ (0,1/2) $ 的紧子集上建立了估计量的统一有界性，确保了在不同 $ H $ 值下的稳定性。
• 分析结果证实，即使 $ H $ 控制的是潜在且粗糙的波动率过程，仍可从观测价格中一致地推断出 $ H $。