[论文解读] Estimation for high-frequency data under parametric market microstructure noise

Simon Clinet, Yoann Potiron|arXiv (Cornell University)|Dec 5, 2017

Financial Risk and Volatility Modeling被引用 4

一句话总结

本文通过利用委托单簿数据对市场微观结构噪声进行参数化建模，提出了一类针对高频金融数据的抗噪声估计量。通过代入由原始价格和可观测的订单簿特征推导出的估计高效价格，该方法在无限活动跳跃、内生采样时间及异步性条件下，实现了波动率与协方差估计的渐近效率。

ABSTRACT

We develop a general class of noise-robust estimators based on the existing estimators in the non-noisy high-frequency data literature. The microstructure noise is a parametric function of the limit order book. The noise-robust estimators are constructed as plug-in versions of their counterparts, where we replace the efficient price, which is non-observable, by an estimator based on the raw price and limit order book data. We show that the technology can be applied to five leading examples where, depending on the problem, price possibly includes infinite jump activity and sampling times encompass asynchronicity and endogeneity.

研究动机与目标

• 解决在存在市场微观结构噪声时，对高频金融数据波动率与协方差进行估计的挑战。
• 开发一类通用的抗噪声估计量，能够考虑从限价委托单簿数据中推导出的参数化形式的微观结构噪声。
• 在存在无限活动跳跃、内生采样时间及异步性等复杂数据特征的条件下，实现一致且高效的估计。
• 通过实证证据证明零残差噪声假设的合理性，显示残差噪声在高频数据中解释的方差不足总方差的1%。

提出的方法

• 将微观结构噪声建模为参数函数 φ(Q_t, θ₀)，其中 Q_t 捕获限价委托单簿信息，如交易方向、成交量或报价价差。
• 采用快速收敛速率的插值程序估计噪声参数 θ₀，满足 N(θ̂ − θ₀) = O_P(1)。
• 构建预估计的高效价格为 X̂_t_i = Z_t_i − φ(Q_t_i, θ̂)，以替代未观测到的真实高效价格。
• 对预估计价格应用标准高频估计量（如实现波动率），确保对微观结构噪声的鲁棒性。
• 采用双层估计量结构，结合近似增量与基于核平滑的偏差校正，以控制估计误差。
• 借鉴 Vetter (2015) 的渐近理论，通过调整第一步偏差界以适应估计的噪声参数，确保最终估计量的渐近正态性与效率。

实验结果

研究问题

• RQ1 是否可以通过利用限价委托单簿数据对微观结构噪声进行参数化建模，实现对高频数据中波动率与协方差的高效且稳健的估计？

主要发现

• 在零残差噪声假设下，所提出的抗噪声估计量即使在高效价格具有无限活动跳跃时，仍能实现渐近效率。
• Clinet 和 Potiron (2019a) 的实证证据表明，模型 φ(Q_t, θ₀) = I_t S_t θ₀（一种时变的Roll模型）可解释超过99%的微观结构噪声方差，仅留下不足1%的残差噪声。
• 噪声参数 θ₀ 的估计量以快速收敛速率 N(θ̂ − θ₀) = O_P(1) 收敛，从而支持高效价格的可靠预估计。
• 双层估计量结构确保了噪声参数估计误差不会影响最终波动率估计量的渐近分布。
• 即使在内生采样与异步采样条件下，该方法仍保持一致性和渐近正态性，扩展了其在真实高频数据场景中的适用性。
• 通过适配 Vetter (2015) 的证明框架，提供了理论依据，引入了在参数估计误差下对估计增量的新偏差界。