[论文解读] A GMM approach to estimate the roughness of stochastic volatility

Anine E. Bolko, Kim Christensen+2 more|arXiv (Cornell University)|Oct 9, 2020

Financial Risk and Volatility Modeling被引用 10

一句话总结

本文提出了一种广义矩估计（GMM）方法，用于在由分数布朗运动驱动的对数正态随机波动率模型中估计赫斯特指数，实现了波动率参数与粗糙度的联合估计。该方法校正了实现方差度量中的抽样误差，得到了一致且渐近正态的估计结果，并通过实证分析在主要股票指数中确认了赫斯特指数接近0.05的粗糙波动率特征。

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.

研究动机与目标

• 开发一种基于GMM的估计框架，用于具有通用赫斯特指数的对数正态随机波动率模型。
• 解决在使用高频实现方差作为集成方差代理时，由抽样误差引入的偏差问题。
• 提供一种联合估计程序，避免对赫斯特指数进行预估计，从而提高效率和有限样本性能。
• 在现实采样条件下，建立GMM估计量的一致性和渐近正态性的理论性质。
• 通过高频股票数据实证验证金融市场上粗糙波动率的存在。

提出的方法

• 该方法基于分数阶对数正态随机波动率模型中集成方差的自协方差结构推导出矩条件。
• 采用自协方差函数的闭式积分表达式，避免基于模拟的估计方法。
• 利用实现方差作为集成方差的噪声代理构造GMM估计量，并对测量误差实施解析偏差校正。
• 偏差校正过程不引入额外的扰动参数，保持了模型的简洁性。
• 在弱正则性条件下建立了理论性质，包括估计量的一致性和渐近正态性。
• 通过涵盖整个记忆参数范围（赫斯特指数）的模拟研究对方法进行了验证，包括短记忆和长记忆情形。

实验结果

研究问题

• RQ1 是否能够基于GMM估计量，在不预先估计分形指数的情况下，联合估计对数正态随机波动率模型中的赫斯特指数与其他参数？
• RQ2 实现方差中的抽样误差如何影响赫斯特指数的估计？这种偏差能否通过解析方法进行校正？
• RQ3 当将所提出的GMM方法应用于高频金融数据时，是否能获得一致且渐近正态的估计结果？
• RQ4 在真实金融数据中，估计的赫斯特指数是否显著低于0.5，从而表明存在粗糙波动率？
• RQ5 该方法在不同记忆模式下的有限样本中表现如何，包括反持久性（H < 0.5）和持久性（H > 0.5）情形？

主要发现

• 基于集成方差的GMM估计量在正则性条件下具有一致性和渐近正态性。
• 当使用实现方差作为代理时，抽样误差会系统性地导致‘虚假粗糙性’——即过度估计反持久性。
• 所提出的解析偏差校正方法能有效消除参数估计中的这种系统性偏差。
• 模拟研究证实了该方法在整个赫斯特指数谱系上的优异小样本性能，包括极低值情形。
• 对主要股票指数高频数据的实证应用得出赫斯特指数估计值约为0.05，证实了粗糙波动率的存在。
• 仅通过矩条件即可识别所有模型参数（赫斯特指数、波动率的波动率、均值回归速度、长期方差），无需模拟或预估计。