Adaptive Test for Jump

Resumen Técnico: Prueba Adaptativa para Saltos

Enunciado del Problema
La detección de saltos a partir de datos financieros de alta frecuencia observados de forma discreta sigue siendo un desafío central en la econometría financiera. La literatura existente ha producido numerosas pruebas no paramétricas y semiparamétricas, que generalmente se dividen en dos categorías dominantes con fortalezas y debilidades distintas. La primera categoría, representada por la estadística de razón de Aït-Sahalia–Jacod (AJ), agrupa la variación de potencia a través de las frecuencias de muestreo. Es naturalmente efectiva cuando la evidencia de los saltos se distribuye entre muchos incrementos (alternativas densas), pero puede carecer de sensibilidad ante saltos aislados y pronunciados. La segunda categoría, representada por la estadística estandarizada del máximo de Lee–Mykland (LM), se centra en la excursión local más grande. Destaca cuando los saltos son escasos y concentrados, pero puede rendir menos cuando las señales de los saltos son difusas. La evidencia empírica sugiere que ninguna prueba individual domina uniformemente a través de regímenes densos y escasos o de frecuencias de muestreo variables. Además, a frecuencias ultra-altas, el ruido de microestructura del mercado altera las asintóticas marginales de estas estadísticas, complicando la inferencia.

Metodología
Los autores proponen una prueba adaptativa de saltos que combina la estadística de tipo suma de AJ y la estadística de tipo máximo de LM utilizando la regla de combinación de Cauchy. La metodología se desarrolla en dos etapas: primero para procesos de trayectoria continua latente y segundo para procesos observados con ruido microestructural aditivo.

1. Marco de Proceso Latente:

   • Modelo: El proceso de precios subyacente $X_t$ se modela como una semimartingala de Itô general con deriva estocástica, volatilidad estocástica y efectos de apalancamiento.
   • Estadísticas:
     • La estadística AJ ($Z^{AJ}_n$) se construye a partir de la razón de variaciones de potencia a escala fina y a escala gruesa. Bajo la hipótesis nula de trayectoria continua, converge a una distribución normal estándar.
     • La estadística LM ($\xi_n$) se construye a partir del máximo de los incrementos estandarizados localmente. Bajo la hipótesis nula de trayectoria continua, converge a una distribución de Gumbel estándar.
   • Combinación: Los valores p de ambas estadísticas se transforman mediante la función tangente y se promedian para formar una estadística de combinación de Cauchy ($T^C_n$).

2. Extensión con Ruido:

   • Modelo de Ruido: El proceso observado $Y_{t_i}$ incluye ruido microestructural aditivo e.i.d.
   • Robustificación:
     • El componente AJ se adapta utilizando técnicas de pre-promedio (Aït-Sahalia et al., 2012) para mitigar el ruido, dando como resultado una estadística de razón pre-promediada ($Z^{PA}_n$).
     • El componente LM se adapta mediante promedios locales y un estimador de volatilidad spot factible basado en la varianza spot realizada a dos escalas (TSRSV) de Zu y Boswijk (2014). Esto produce una estadística de máximo de promedio local ($\xi^{LA}_n$).
   • Calibración: Para abordar la lenta convergencia de las estadísticas de valores extremos en muestras finitas bajo ruido, se implementa un procedimiento de doble bootstrap para el componente LM con el fin de controlar el tamaño con precisión.

Contribuciones Teóricas Clave
La contribución teórica principal del artículo es la demostración de la independencia asintótica entre las estadísticas de tipo suma (AJ) y de tipo máximo (LM) tanto bajo la hipótesis nula de trayectoria continua como bajo diversas hipótesis alternativas.

• Independencia bajo la Nula: Los autores demuestran que, tras una normalización marginal apropiada, la estadística AJ y la estadística LM son asintóticamente independientes bajo la hipótesis nula de trayectoria continua. Este resultado es no trivial porque ambas estadísticas son funcionales no lineales de la misma semimartingala de Itô observada discretamente, con incrementos superpuestos, volatilidad estocástica y apalancamiento. A diferencia de los escenarios de alta dimensión donde la independencia a menudo surge de la independencia componente a componente, aquí debe derivarse directamente del modelo primitivo de tiempo continuo.
• Independencia bajo Alternativas: Se demuestra que la independencia asintótica se cumple bajo:
  • Alternativas locales densas: Donde la evidencia de los saltos se distribuye entre muchos incrementos.
  • Saltos finitos de actividad fija: Donde los saltos están aislados y tienen un tamaño fijo.
• Asintóticas con Ruido: El resultado de independencia se extiende al entorno con ruido. Los autores demuestran que la estadística AJ pre-promediada y la nueva estadística de tipo LM factible permanecen asintóticamente independientes bajo la nula con ruido y las alternativas densas con ruido.

Resultados

• Propiedades Teóricas:
  • La prueba de combinación de Cauchy propuesta está calibrada analíticamente; bajo la nula, la estadística combinada sigue una distribución de Cauchy estándar, lo que permite un valor crítico de forma cerrada.
  • Bajo alternativas locales densas, la prueba mantiene la independencia asintótica y la función de potencia se deriva analíticamente.
  • Bajo saltos finitos de actividad fija, la prueba es consistente (la potencia tiende a 1) porque el componente LM impulsa el rechazo, incluso si el componente AJ es menos sensible.
• Evidencia de Simulación:
  • Tamaño: La prueba mantiene un tamaño correcto bajo la hipótesis nula de trayectoria continua, tanto en entornos sin ruido como con ruido (con el doble bootstrap para el componente LM con ruido).
  • Potencia:
    • En regímenes densos (muchos saltos pequeños), la estadística AJ es generalmente más potente, y la prueba combinada hereda esta fortaleza.
    • En regímenes escasos (pocos saltos grandes), la estadística LM es más potente, y la prueba combinada sigue de cerca este rendimiento.
    • La combinación de Cauchy ofrece consistentemente el rendimiento general más robusto, adaptándose a la naturaleza de la alternativa de salto sin conocimiento previo del régimen.
  • Ruido: La extensión con ruido funciona bien tanto para ruido gaussiano como para ruido de colas pesadas (distribución t), con la prueba combinada superando a los componentes individuales en la mayoría de las configuraciones.
• Aplicación Empírica:
  • Se aplicó a datos intradía de seis principales ETF de acciones y acciones (SPY, QQQ, IWM, AAPL, MSFT, NVDA) a una frecuencia de 3 segundos.
  • La prueba LM detectó saltos en aproximadamente el 51–61% de las sesiones diarias, mientras que la prueba AJ detectó saltos en menos del 2% de las sesiones.
  • La prueba combinada arrojó tasas de rechazo intermedias entre ambas, más cercanas a la LM, lo que sugiere que en los datos reales del mercado, la evidencia de saltos a menudo se concentra en eventos agudos y escasos en lugar de ser difusa.
  • A frecuencias de muestreo más gruesas (1, 2, 5 minutos), el rendimiento relativo cambió: la prueba AJ se volvió más fuerte a los 2 y 5 minutos, mientras que la prueba combinada permaneció como el procedimiento más estable a través de las frecuencias.

Significado y Afirmaciones
El artículo afirma proporcionar una "opción predeterminada simple y robusta" para la detección de saltos cuando la forma de la alternativa de salto (densa vs. escasa) es desconocida. Al establecer la independencia asintótica de las estadísticas de tipo suma y de tipo máximo en un marco general de semimartingala de Itô (incluyendo apalancamiento y ruido), los autores habilitan una prueba de combinación analíticamente tratable. El significado radica en:

1. Adaptabilidad: La prueba se adapta automáticamente al régimen de saltos, heredando las fortalezas de ambos procedimientos, AJ y LM.
2. Rigor Teórico: Proporciona la primera demostración de independencia asintótica entre estos funcionales no lineales específicos en presencia de volatilidad estocástica, apalancamiento y ruido de microestructura, yendo más allá de los argumentos clásicos de alta dimensión i.i.d.
3. Utilidad Práctica: La inclusión de una extensión robusta al ruido con una calibración de doble bootstrap aborda las dificultades prácticas del análisis de datos de frecuencia ultra-alta, ofreciendo un procedimiento que funciona bien en una amplia gama de configuraciones empíricas.

Los autores concluyen que, aunque el trabajo futuro podría abordar el ruido dependiente de la serie o escenarios multivariados, el procedimiento actual sintetiza efectivamente las fortalezas de las principales pruebas existentes para ofrecer una solución confiable y adaptativa para la detección de saltos de alta frecuencia.