[论文解读] 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 8

一句话总结

本文提出了一种针对高频金融数据的粗糙噪声模型，其中市场微观结构噪声表现出自相似、长程依赖的结构，类似于分数布朗运动。通过将噪声建模为具有 Hurst 参数 H ∈ (1/4, 1/2) 的粗糙过程，作者推导出粗糙度参数 H、积分波动率和噪声波动率的一致估计量，即使在存在日度模式和波动率特征图中发散率变化的情况下，也能实现准确推断。

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.

研究动机与目标

• 解决传统噪声模型在高频数据中无法捕捉波动率特征图中缓慢发散率的局限性。
• 将市场微观结构噪声建模为粗糙过程，即在局部上表现为 Hurst 参数 H ∈ (1/4, 1/2) 的分数布朗运动。
• 在连续 Itô 本地鞅半鞅框架下，为粗糙度参数 H、积分价格波动率和积分噪声波动率开发一致估计量。
• 解释传统 i.i.d. 或短记忆噪声模型无法捕捉的时间变化和资产特定的发散率变化。
• 在粗糙噪声模型下，为所有可识别参数提供渐近置信区间。

提出的方法

• 将观测价格建模为 Y_t = X_t + Z_t，其中 X_t 为 Itô 半鞅，Z_t 为 Hurst 参数 H 的粗糙噪声。
• 利用实现波动率和实现方差图检测噪声的粗糙性，观察到发散率慢于 Δ_n^{-1}。
• 通过去偏估计方程方法，推导出 H、积分波动率 C_T 和噪声波动率 Π_T 的一致估计量。
• 实施迭代去偏程序，以校正初始 H 估计量的偏差，提升渐近效率。
• 使用数值优化（R 中的 fminsearch）计算估计方程的最优权重向量，假设 H = 0.35 为固定初始值。
• 基于估计量的渐近分布，构建 H、C_T 和 Π_T 的渐近置信区间。

实验结果

研究问题

• RQ1 能否通过将粗糙噪声建模为 H ∈ (1/4, 1/2) 的分数布朗运动，解释高频交易数据波动率特征图中观察到的缓慢发散率？
• RQ2 在粗糙噪声模型下，粗糙度参数 H、积分价格波动率和积分噪声波动率的一致估计量是否可识别且可行？
• RQ3 与传统的 i.i.d. 或短记忆噪声模型相比，粗糙噪声模型在捕捉日度模式和时变发散率方面表现如何？
• RQ4 尽管最优权重缺乏解析表达式，所提出的估计量是否仍能保持良好的有限样本性能？
• RQ5 粗糙噪声在高频报价数据中的经验普遍性如何？其是否存在随时间持续的特征？

主要发现

• 粗糙噪声模型成功解释了波动率特征图中远慢于 Δ_n^{-1} 的发散率，例如在 2007 年 11 月 30 日的英特尔（INTC）数据中观察到的 Δ_n^{-0.40}。
• 对 2019 年 29 只道琼斯工业平均指数（DJIA）股票的报价数据进行经验分析，显示粗糙噪声具有强烈且一致的存在，H 估计值集中在 0.35 附近。
• 迭代去偏程序显著改善了 H 估计量的有限样本性能，当使用固定权重在 H₀ = 0.35 时，方差增加不超过 2.1%。
• 即使在复杂的采样方案和日度效应下，H、C_T 和 Π_T 的渐近置信区间仍有效且覆盖良好。
• 该模型解释了高频数据中价格增量的收缩现象（收缩率约 ~0.72），这与 i.i.d. 噪声不一致，但与粗糙噪声一致。
• 基于固定权重在 H₀ = 0.35 的 H 估计量的方差，最多仅为 H = 0.45 时最小方差的 2.6 倍，表明对 H₀ 的误设具有鲁棒性。