[论文解读] Is Volatility Rough ?

Masaaki Fukasawa, Tetsuya Takabatake+1 more|arXiv (Cornell University)|May 13, 2019

Financial Risk and Volatility Modeling参考文献 24被引用 14

一句话总结

本文基于Whittle近似与已实现波动率，提出一种拟似然估计量，用于统计检验随机波动率是否真正为粗糙的，即是否由赫斯特参数H < 0.5的分数布朗运动驱动。该方法在高频率渐近下证明具有一致性，并提供了实证证据表明波动率确实具有粗糙性，H ≈ 0.1258，确认并细化了先前的研究发现，同时解决了潜在的未观测波动率误差导致的估计偏差。

ABSTRACT

Rough volatility models are continuous time stochastic volatility models where the volatility process is driven by a fractional Brownian motion with the Hurst parameter smaller than half, and have attracted much attention since a seminal paper titled "Volatility is rough" was posted on SSRN in 2014 showing that the log realized volatility time series of major stock indices have the same scaling property as such a rough fractional Brownian motion has. We however find by simulations that the impressive approach tends to suggest the same roughness irrespectively whether the volatility is actually rough or not; an overlooked estimation error of latent volatility often results in an illusive scaling property. Motivated by this preliminary finding, here we develop a statistical theory for a continuous time fractional stochastic volatility model to examine whether the Hurst parameter is indeed estimated smaller than half, that is, whether the volatility is really rough. We construct a quasi-likelihood estimator and apply it to realized volatility time series. Our quasi-likelihood is based on the error distribution of the realized volatility and a Whittle-type approximation to the auto-covariance of the log-volatility process. We prove the consistency of our estimator under high frequency asymptotics, and examine by simulations its finite sample performance. Our empirical study suggests that the volatility is indeed rough; actually it is even rougher than considered in the literature.

研究动机与目标

• 解决现有方法中由于未观测的潜在波动率估计误差导致波动率粗糙性被过度估计的潜在问题。
• 开发一种在高频率下具有一致性的、统计上严谨的粗糙随机波动率模型中赫斯特参数H的估计量。
• 验证在已实现波动率数据中观察到的标度性质是否真实反映了H < 0.5的分数布朗运动。
• 通过引入误差分布建模与Whittle近似，改进先前方法，以提升有限样本下的性能。

提出的方法

• 提出一种基于已实现波动率误差分布与对数波动率自协方差的Whittle型近似的拟似然估计量。
• 采用谱方法，通过分数布朗运动的谱密度近似对数已实现方差的周期图。
• 利用泰勒展开与渐近分析，推导估计函数在零频附近的近似表达式。
• 对谱密度逆的傅里叶级数展开采用截断策略，以控制近似误差。
• 通过极限定理与连续映射定理，建立估计量在高频率渐近下的一致性。
• 通过模拟验证方法有效性，并将其应用于牛津-曼恩研究所提供的SPX 5分钟已实现波动率数据。

实验结果

研究问题

• RQ1 经验数据中波动率的表观粗糙性是否可能是潜在波动率估计误差导致的产物？
• RQ2 当采用一致的、高频率的统计方法估计时，赫斯特参数H是否确实小于0.5，表明波动率为粗糙的？
• RQ3 与现有方法相比，所提出的Whittle型拟似然估计量在有限样本下表现如何？
• RQ4 对数已实现方差数据中观察到的标度性质是否真实反映了H < 0.5的分数布朗运动？

主要发现

• 所提出的拟似然估计量在高频率渐近下具有一致性，确保随着采样频率增加，估计结果更加可靠。
• 模拟结果表明，该估计量在有限样本下表现良好，有效降低了由潜在波动率估计带来的偏差。
• 对SPX 5分钟已实现波动率（2000–2018年）的实证分析得到H ≈ 0.1258，证实了波动率的粗糙性，且粗糙程度高于以往报告结果。
• 研究发现，先前方法可能因未考虑波动率代理变量中的估计误差，而高估了粗糙性。
• 通过Whittle方法进行的谱近似能有效捕捉数据中的长记忆性特征，同时正确识别出短程依赖性。