[论文解读] Adaptive Robust Large Volatility Matrix Estimation Based on High-Frequency Financial Data

Minseok Shin, Donggyu Kim+1 more|arXiv (Cornell University)|Feb 25, 2021

Financial Risk and Volatility Modeling参考文献 49被引用 10

一句话总结

本文提出了一种自适应鲁棒预平均实现波动率（ARP）估计器，通过结合预平均与基于日度尾指数的数据驱动截断，处理高频金融数据中的异质重尾分布。该方法在仅具有有限2α阶矩（α > 1）的条件下实现了次威布尔尾部集中，且收敛速率最优，经极小极大下界验证，并在样本外投资组合表现上优于其他方法。

ABSTRACT

Several novel statistical methods have been developed to estimate large integrated volatility matrices based on high-frequency financial data. To investigate their asymptotic behaviors, they require a sub-Gaussian or finite high-order moment assumption for observed log-returns, which cannot account for the heavy-tail phenomenon of stock-returns. Recently, a robust estimator was developed to handle heavy-tailed distributions with some bounded fourth-moment assumption. However, we often observe that log-returns have heavier tail distribution than the finite fourth-moment and that the degrees of heaviness of tails are heterogeneous across asset and over time. In this paper, to deal with the heterogeneous heavy-tailed distributions, we develop an adaptive robust integrated volatility estimator that employs pre-averaging and truncation schemes based on jump-diffusion processes. We call this an adaptive robust pre-averaging realized volatility (ARP) estimator. We show that the ARP estimator has a sub-Weibull tail concentration with only finite 2$α$-th moments for any $α>1$. In addition, we establish matching upper and lower bounds to show that the ARP estimation procedure is optimal. To estimate large integrated volatility matrices using the approximate factor model, the ARP estimator is further regularized using the principal orthogonal complement thresholding (POET) method. The numerical study is conducted to check the finite sample performance of the ARP estimator.

研究动机与目标

• 解决现有波动率估计器依赖次高斯或有限四阶矩假设的局限性，这些假设在重尾股票收益下失效。
• 考虑资产之间及随时间变化的异质尾部行为，其中对数收益常超出有限四阶矩条件。
• 开发一种鲁棒且自适应的估计器，在更弱的矩条件（即仅具有有限2α阶矩，α > 1）下保持最优收敛速率。
• 在高维设定下，利用近似因子模型框架实现大规模波动率矩阵的准确估计。
• 通过将该鲁棒估计器整合到POET正则化程序中，提升投资组合风险管理性能，用于大规模集成波动率矩阵的估计。

提出的方法

• 提出自适应鲁棒预平均实现波动率（ARP）估计器，对高频收益应用预平均以减少市场微观结构噪声。
• 基于日度尾指数估计，对二次预平均收益实施数据驱动截断，以处理异质重尾分布。
• 采用跳扩散过程模型，基于现实的市场微观结构假设，证明估计器的理论性质。
• 建立ARP估计器的次威布尔尾部集中性质，确保在弱矩条件（即仅具有有限2α阶矩，α > 1）下的鲁棒性。
• 推导匹配的上界与下界，证明估计过程在给定矩条件下的极小极大最优性。
• 将ARP估计器整合进主成分正交补丁阈值化（POET）方法中，用于在近似因子模型框架下估计大规模集成波动率矩阵。

实验结果

研究问题

• RQ1 在仅具有有限2α阶矩（α > 1）的条件下，波动率估计器能否保持最优收敛速率，而非依赖次高斯或有界四阶矩假设？
• RQ2 在高频波动率估计中，如何自适应地建模资产之间及随时间变化的尾部异质性？
• RQ3 在弱矩条件下，所提出的ARP估计器是否能实现次威布尔尾部集中，从而确保对重尾收益的鲁棒性？
• RQ4 在有限样本下，ARP估计器在投资组合风险预测中的表现如何，相较于现有方法（如PRVM、RPRVM、URPM）？
• RQ5 基于ARP估计器的POET估计器是否能在高维波动率矩阵估计中实现最优渐近性质？

主要发现

• ARP估计器在仅具有有限2α阶矩（任意α > 1）的条件下，实现了次威布尔尾部集中，从而对重尾对数收益具有鲁棒性。
• 估计误差的上界与下界完全匹配，证明在给定矩条件下的ARP估计器具有极小极大最优性。
• 在样本外投资组合配置中，基于ARP估计器的POET估计器在不同平均窗口（l = 1, 5, 10）下始终优于基于PRVM、RPRVM和URPM的估计器。
• 基于ARPM的投资组合表现出最稳定且最低的样本外风险，尤其在市场波动时期，证实了该估计器对异质尾部行为的鲁棒性。
• 对200只标普500成分股（2015–2016年）的实证分析确认了尾指数存在显著异质性，验证了自适应尾部处理的必要性。
• 在第2阶段（第332–501天），基于ARPM的投资组合风险最为突出：l=1时为1.316，l=5时为1.324，l=10时为1.316，优于其他估计器，尤其在市场波动剧烈时表现更优。