[论文解读] Multiscale Inference for High-Frequency Data

Sofia C. Olhede, Adam M. Sykulski+1 more|ArXiv.org|Mar 4, 2008

Stochastic processes and financial applications参考文献 47被引用 5

一句话总结

本文提出了一种新颖的频域多尺度估计器，用于估计受高频市场微观结构噪声影响的 Itô 过程的集成波动率。通过引入多尺度比来量化偏差，并采用逐频率偏差校正，该方法在现有时域方法基础上实现了更高的精度和方差降低，尤其在噪声相关性和采样制度变化的情况下表现更优。

ABSTRACT

This paper proposes a novel multiscale estimator for the integrated volatility of an Ito process, in the presence of market microstructure noise (observation error). The multiscale structure of the observed process is represented frequency-by-frequency and the concept of the multiscale ratio is introduced to quantify the bias in the realized integrated volatility due to the observation error. The multiscale ratio is estimated from a single sample path, and a frequency-by-frequency bias correction procedure is proposed, which simultaneously reduces variance. We extend the method to include correlated observation errors and provide the implied time domain form of the estimation procedure. The new method is implemented to estimate the integrated volatility for the Heston and other models, and the improved performance of our method over existing methods is illustrated by simulation studies.

研究动机与目标

• 解决在存在高频市场微观结构噪声时估计集成波动率的挑战。
• 开发一种直接在频域运行的多尺度推断框架，实现在每个尺度上的局部偏差校正。
• 利用一种新颖的频域诊断工具——多尺度比，量化观测噪声对已实现波动率的影响。
• 将方法扩展至处理相关观测误差，提升对白噪声假设的鲁棒性。
• 通过 Heston 模型及其他随机波动率模型的模拟研究，展示其优越性能。

提出的方法

• 该方法在频域中表示观测过程，将集成波动率分解为不同尺度下的贡献。
• 引入多尺度比作为由观测噪声引起的偏差的频带特定度量，该度量从单一样本路径中估计得出。
• 使用基于 Whittle 似然推导出的数据自适应核，对每个频率进行逐频率偏差校正，以调整各频率下的原始样本方差。
• 采用拉普拉斯窗对增量的自协方差进行平滑，该方法被证明在最小化偏差方面是最优的。
• 通过将误差过程建模为移动平均（MA）过程，将方法扩展至处理相关噪声，模型阶数通过 AICC 选择。
• 最终估计量表示为平方增量的加权和，其权重由数据驱动，可自适应于噪声结构。

实验结果

研究问题

• RQ1 如何在尺度层面而非全局范围内校正已实现波动率估计中的偏差？
• RQ2 多尺度比在量化观测噪声对波动率估计误差贡献方面起什么作用？
• RQ3 在存在相关微观结构噪声的情况下，频域方法是否能优于现有时域估计器？
• RQ4 所提出的估计器在不同采样频率和信噪比下的性能如何变化？
• RQ5 该方法在不假设白噪声的前提下，能在多大程度上自动适应未知的噪声特性？

主要发现

• 所提出的多尺度估计器显著降低了估计误差，相较于朴素估计器及假设白噪声的估计器，尤其在噪声相关性较强时表现更优。
• 该方法性能与 [36] 中的最先进估计器相当，但对噪声结构具有更强的鲁棒性。
• 当真实噪声为 MA(4) 时，估计器能正确识别过程阶数，且对 p > 4 的参数估计值始终接近零，表明模型选择具有鲁棒性。
• 当噪声为白噪声时，调整后的多尺度估计器性能几乎与完整估计器相同，表明过度参数化带来的精度损失可忽略不计。
• 使用拉普拉斯窗对增量自协方差进行平滑，是在最小化集成波动率估计偏差方面最优的。
• 该方法在 Heston 模型模拟中，于多种采样速率和信噪比下均表现出强劲的实证性能。