How Often to Sample a Continuous-Time Process in the Presence of Market Microstructure Noise¶
书目记录。出版内容请通过原始来源链接查看。
| 字段 | 内容 |
|---|---|
| 主领域 | 波动率、曲面动态与方差风险 |
| 其他领域 | — |
| 方法 | 研究方法与稳健性 |
| 检索标签 | — |
| 作者 | Yacine Aït-Sahalia, Per A. Mykland, Lan Zhang |
| 发布时间 | 2005-02-10 |
| 来源 | The Review of Financial Studies |
| 外部标识 | doi:10.1093/rfs/hhi016 |
| URL | 打开原始来源 |
编辑综合¶
为什么值得关注¶
这篇基础研究说明，高频数据本身并不会自动带来更好的 realized-volatility 估计：若忽略 market microstructure noise，采样过密会放大偏差；若显式建模噪声，则可以保留全部观测。它为高频波动率特征的采样频率和噪声修正提供了可检验的统计基准。 (full_text:S10, full_text:S26, full_text:S38, full_text:S49, full_text:S51)
作者主要主张¶
- 作者推导出：若 estimator 忽略 market microstructure noise，RMSE 意义下的最优采样间隔是有限的；按文献中的噪声规模校准，一日样本的示例区间可从数分钟延伸到数小时。 (
full_text:S26,full_text:S28,full_text:S29,full_text:S170,full_text:S171) - 作者报告：把观测收益写成含噪声的 MA(1) likelihood 后，最优做法重新变成尽可能高频地使用全部数据，而不是固定抽取五分钟收益。 (
full_text:S38,full_text:S39,full_text:S41,full_text:S49,full_text:S51) - 作者证明，在其二阶矩与协方差设定成立时，即使真实噪声分布不是 Gaussian，波动率 estimator 仍具有与正确指定噪声分布时相同的渐近方差。 (
full_text:S43,full_text:S46,full_text:S47,full_text:S48)
数据、方法或讨论范围¶
证据以连续时间 diffusion、加性价格噪声和 likelihood 推导为核心，并用 exact small-sample 结果、10,000 次 Monte Carlo 以及随机采样间隔和相关噪声扩展作支撑。本文是 volatility estimation 方法研究，不是 alpha、期权收益或可执行交易策略的检验。 (full_text:S61, full_text:S62, full_text:S67, full_text:S77, full_text:S80, full_text:S198, full_text:S574)
主要限制¶
基准模型先假设 constant volatility、等间隔观测和 i.i.d. 加性噪声；虽然后文放松部分条件，stochastic-volatility 的完整非参数处理仍交由 companion paper。文中的数值采样间隔依赖借用既有文献的噪声校准，不能直接移植到新的资产、撮合制度或数据供应商。本站未独立复现推导或 Monte Carlo。 (full_text:S52, full_text:S69, full_text:S76, full_text:S77, full_text:S80, full_text:S170, full_text:S171, full_text:S198)
研究关系¶
- 暂无已记录关系。