On the estimation of leverage effect and volatility of volatility in the presence of jumps

Aquí presento un resumen técnico detallado del artículo "On the estimation of leverage effect and volatility of volatility in the presence of jumps" (Sobre la estimación del efecto de apalancamiento y la volatilidad de la volatilidad en presencia de saltos), escrito por Qiang Liu, Zhi Liu y Wang Zhou.

---

1. Planteamiento del Problema

El artículo aborda el desafío estadístico de estimar dos cantidades financieras clave utilizando datos de alta frecuencia:

1. Efecto de Apalancamiento (Leverage Effect): La covarianza cuadrática entre el proceso de precios logarítmicos ($X_t$) y su proceso de volatilidad ($\sigma_t^2$).
2. Volatilidad de la Volatilidad (Volatility of Volatility - VoV): La intensidad de la variación del proceso de volatilidad en sí mismo.

El problema central: La mayoría de los estimadores existentes asumen que los procesos subyacentes son continuos o que los saltos (jumps) son de variación finita. Sin embargo, la evidencia empírica en mercados financieros reales muestra que los saltos a menudo son de variación infinita (actividad de saltos intensa). Cuando existen saltos de variación infinita, los métodos tradicionales (como la volatilidad realizada o técnicas de umbralización) sufren de sesgos significativos o pierden sus propiedades de convergencia asintótica (como la normalidad asintótica), lo que invalida la inferencia estadística.

El objetivo es desarrollar estimadores robustos que sean consistentes y posean normalidad asintótica incluso bajo la presencia de saltos de variación infinita.

2. Metodología Propuesta

Los autores proponen un enfoque basado en la función característica empírica de los incrementos de alta frecuencia, en lugar de utilizar métodos basados en momentos (como la volatilidad realizada) o técnicas de umbralización (thresholding).

A. Modelo Subyacente

Se asume que el precio logarítmico $X_t$ sigue un semimartingala Itô con saltos:
$$X_t = X_0 + \int_0^t b_s ds + \int_0^t \sigma_s dB_s + J_t$$
Donde $J_t$ es un proceso puro de saltos compuesto por dos partes: un proceso de Lévy simétrico $L$ (con índice de actividad $\beta$) y un proceso general $J'$. Se permite que $\beta$ y el índice de actividad de $J'$ sean mayores que 1 (variación infinita).

B. Estimador de Volatilidad Spot (Punto)

El núcleo de la metodología es un estimador de volatilidad spot ($\hat{\sigma}_t^2$) robusto a saltos, propuesto previamente por Liu et al. (2018) y refinado aquí. Se construye utilizando la función característica de los incrementos:
$$\hat{\sigma}_t^2 = -\frac{2}{u^2} \log \left( \left[ \frac{1}{k_n} \sum_{j} \cos\left( \frac{u \Delta_j^n X}{\sqrt{\Delta_n}} \right) \right] \vee \frac{1}{\sqrt{k_n}} \right)$$

• Mecanismo: La función coseno amortigua el efecto de los saltos grandes. Al tomar el logaritmo, se aísla la componente de difusión (volatilidad).
• Ventaja: A diferencia de los estimadores de "bi-power" o de umbralización, este método no requiere la selección de parámetros de umbral ($\alpha, \omega$) que dependen de la actividad de los saltos, la cual es desconocida en la práctica.

C. Estimadores de Efecto de Apalancamiento y VoV

Utilizando el estimador de volatilidad spot, se construyen los estimadores finales:

1. Efecto de Apalancamiento ($\hat{L}_{[0,T]}$): Se calcula como la suma de productos entre los incrementos de precios y las diferencias de volatilidad estimada en ventanas adyacentes (antes y después del punto $t$).
   $$\hat{L}_{[0,T]} = \sum \Delta_i^n X \cdot (\hat{\sigma}_{t_i+}^2 - \hat{\sigma}_{t_i-}^2)$$
   La diferencia de volatilidades ayuda a cancelar los términos de sesgo introducidos por los saltos.

2. Volatilidad de la Volatilidad ($\widehat{VoV}_{[0,T]}$): Se estima utilizando el cuadrado de la diferencia de volatilidades spot, ajustado por un término de corrección de sesgo derivado de la función característica.
   $$\widehat{VoV}_{[0,T]} = \sum \left( \frac{3}{2k_n}(\hat{\sigma}_{t_i+}^2 - \hat{\sigma}_{t_i-}^2)^2 - \text{término de corrección} \right)$$

D. Teoremas Límite y Estimar de Varianza

Se establecen teoremas del límite central (CLT) para ambos estimadores. Un aporte crucial es la construcción de estimadores consistentes de las varianzas asintóticas, lo que hace que los teoremas del límite central sean factibles (feasible) para la construcción de intervalos de confianza y pruebas de hipótesis en la práctica.

3. Contribuciones Clave

1. Robustez ante Saltos de Variación Infinita:

   • La principal contribución teórica es que los estimadores propuestos mantienen la consistencia y la normalidad asintótica bajo condiciones mucho más generales que la literatura previa.
   • Tabla 1 del artículo: Muestra que los estimadores existentes (como Lev-AFLWY17) requieren que el índice de actividad de los saltos (JAI) sea menor que 1 (variación finita) o incluso menor que 1/2 para la normalidad. En contraste, el método propuesto logra consistencia para JAI $\le 1$ y normalidad asintótica para JAI $\le 1.5$ (e incluso hasta 2 para consistencia en VoV).

2. Eliminación de la Sintonización de Parámetros:

   • Los métodos de umbralización requieren ajustar parámetros ($\alpha, \omega$) que dependen del índice de actividad de los saltos. El método propuesto utiliza un parámetro $u$ que, según los estudios de simulación, puede fijarse como una constante (ej. $u=1$) sin necesidad de estimar la actividad de los saltos, simplificando enormemente la aplicación empírica.

3. Optimalidad de la Tasa de Convergencia:

   • Se demuestra que el estimador de volatilidad spot alcanza la tasa de convergencia óptima de $n^{-1/4}$, mejorando ligeramente la tasa "casi óptima" ($n^{-1/4}/\log n$) reportada en trabajos anteriores.

4. Inferencia Factible:

   • Se proporcionan fórmulas explícitas para estimar las varianzas asintóticas, permitiendo la construcción de intervalos de confianza y pruebas de hipótesis (ej. probar si el efecto de apalancamiento es cero).

4. Resultados

Estudios de Simulación (Sección 5)

• Comparación: Los estimadores propuestos ("Lev-our", "Vov-our") se compararon con métodos existentes (Lev-AJ14, Lev-AFLWY17, Vov-BV09, etc.).
• Rendimiento:
  • En ausencia de saltos o con saltos de baja actividad, los nuevos estimadores tienen un sesgo ligeramente mayor pero una varianza controlada.
  • Con saltos intensos (variación infinita, $\beta \ge 1$): Los estimadores existentes fallan (sesgo alto o varianza infinita), mientras que los propuestos mantienen un rendimiento superior, con el menor Error Cuadrático Medio (MSE).
  • La distribución de los estadísticos estandarizados se ajusta bien a la normal estándar, validando los teoremas del límite central.

Estudio Empírico (Sección 6)

• Datos: Se utilizaron datos de alta frecuencia (3 minutos) de 2011 a 2018 para el ETF SPY y cuatro acciones individuales (AAPL, AMZN, INTC, MSFT).
• Hallazgos:
  • Actividad de Saltos: Los estimadores del índice de actividad de saltos (JAI) mostraron que la mayoría de los activos tienen un JAI > 0.5, y el SPY a menudo supera 1, confirmando la presencia de saltos de variación infinita en los datos reales.
  • Efecto de Apalancamiento: Se encontró evidencia estadísticamente significativa de un efecto de apalancamiento negativo (correlación negativa entre precios y volatilidad) en la mayoría de los años y activos, especialmente en el SPY.
  • Volatilidad de la Volatilidad: Se rechazó la hipótesis nula de que la VoV es cero en la mayoría de los casos, confirmando que la volatilidad del mercado es estocástica y variable.

5. Significado e Impacto

Este trabajo es fundamental para la econometría financiera de alta frecuencia por varias razones:

1. Realismo del Modelo: Reconoce y maneja la realidad de los mercados financieros, donde los saltos de variación infinita son comunes, algo que los modelos anteriores ignoraban o trataban de forma deficiente.
2. Aplicabilidad Práctica: Al eliminar la necesidad de sintonizar parámetros complejos basados en la actividad de los saltos (que es difícil de estimar en tiempo real), el método se vuelve una herramienta más robusta y fácil de implementar para analistas cuantitativos y reguladores.
3. Inferencia Estadística Rigurosa: Proporciona la base teórica completa (consistencia, CLT, estimación de varianza) para realizar pruebas de hipótesis sobre la estructura de dependencia entre precios y volatilidad, incluso en entornos de mercado turbulentos.
4. Validación Empírica: Confirma que, al utilizar datos de alta frecuencia y métodos robustos, se puede detectar con mayor precisión la dinámica subyacente del mercado, como la existencia de un efecto de apalancamiento significativo y una volatilidad estocástica no nula, incluso en presencia de ruido de microestructura y saltos intensos.

En resumen, el artículo ofrece una solución teóricamente sólida y empíricamente validada para medir la dinámica de la volatilidad y el apalancamiento en un entorno de mercado realista caracterizado por saltos frecuentes y de gran magnitud.