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

यहाँ Liu, Liu, और Zhou के शोध पत्र "On the estimation of leverage effect and volatility of volatility in the presence of jumps" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उच्च-आवृत्ति वित्तीय अर्थमिति (high-frequency financial econometrics) के दो महत्वपूर्ण मात्राओं के सांख्यिकीय अनुमान को संबोधित करता है: लीवरेज प्रभाव (leverage effect) (परिसंपत्ति रिटर्न और अस्थिरता के बीच सहप्रसरण) और अस्थिरता की अस्थिरता (volatility of volatility - VoV) (अस्थिरता प्रक्रिया की भिन्नता शक्ति)।

मुख्य चुनौती अंतर्निहित परिसंपत्ति मूल्य प्रक्रिया में जम्प्स (jumps) की उपस्थिति है। इन मात्राओं के लिए मौजूदा अनुमानक (estimators) अक्सर थ्रेशोल्डिंग तकनीकों या बाई-पावर वेरिएशंस (bi-power variations) पर निर्भर करते हैं, जो महत्वपूर्ण सीमाओं से ग्रस्त हैं:

• परिमित भिन्नता प्रतिबंध (Finite Variation Restriction): कई मौजूदा विधियाँ केवल तभी सुसंगत (consistent) या स्पर्शोन्मुखी सामान्य (asymptotically normal) होती हैं जब जम्प्स परिमित भिन्नता वाले हों (Jump Activity Index, JAI < 1)।
• अनंत भिन्नता जम्प्स (Infinite Variation Jumps): वास्तविक दुनिया के उच्च-आवृत्ति डेटा में अक्सर अनंत भिन्नता वाले जम्प्स (JAI $\ge 1$) दिखाई देते हैं, जहाँ मानक अनुमानक इष्टतम अभिसरण दर (optimal convergence rates) या वैध केंद्रीय सीमा प्रमेय (central limit theorems - CLT) प्राप्त करने में विफल रहते हैं।
• बायस और ट्यूनिंग (Bias and Tuning): थ्रेशोल्डिंग विधियों के लिए अज्ञात जम्प एक्टिविटी इंडेक्स पर निर्भर जटिल पैरामीटर ट्यूनिंग की आवश्यकता होती है, और वे अक्सर "छोटे" जम्प्स के कारण होने वाले बायस (bias) को प्रभावी ढंग से समाप्त करने में विफल रहती हैं।

लेखक ऐसे मजबूत अनुमानक विकसित करने का लक्ष्य रखते हैं जो अनंत भिन्नता (consistency के लिए JAI < 2 और asymptotic normality के लिए JAI < 1.5 तक) की उपस्थिति में भी वैध और कुशल बने रहें।

2. कार्यप्रणाली (Methodology)

प्रस्तावित कार्यप्रणाली निरंतर अस्थिरता घटक (continuous volatility component) को जम्प घटक से अलग करने के लिए उच्च-आवृत्ति वृद्धियों (increments) के अनुभवजन्य अभिलक्षण फलन (Empirical Characteristic Function - ECF) पर निर्भर करती है।

A. मॉडल सेटअप (Model Setup)

लॉग-प्राइस प्रक्रिया $X_t$ को एक Itô semimartingale के रूप में मॉडल किया गया है:
$$X_t = X_0 + \int_0^t b_s ds + \int_0^t \sigma_s dB_s + J_t$$
जहाँ $J_t$ एक शुद्ध जम्प प्रक्रिया है। जम्प घटक को एक संरचित Lévy प्रक्रिया $L$ (Blumenthal-Getor index $\beta$ के साथ) और एक सामान्य जम्प प्रक्रिया $J'$ (activity index $r$ के साथ) में विभाजित किया गया है। अस्थिरता प्रक्रिया $\sigma_t$ को भी एक निरंतर Itô semimartingale के रूप में मॉडल किया गया है।

B. स्पॉट अस्थिरता अनुमान (Spot Volatility Estimation)

लेखक Liu et al. (2018) द्वारा प्रस्तावित एक स्पॉट अस्थिरता अनुमानक का उपयोग करते हैं, जिसे ECF के माध्यम से निर्मित किया गया है:
$$\hat{\sigma}^2_t = -\frac{2}{u^2} \log \left( \left[ \frac{1}{k_n} \sum_{j} \cos \left( \frac{u \Delta^n_j X}{\sqrt{\Delta_n}} \right) \right] \vee \frac{1}{\sqrt{k_n}} \right)$$

• तंत्र (Mechanism): कोसाइन फलन (जो अभिलक्षण फलन का हिस्सा है) जम्प्स के प्रभाव को कम करता है। कोसाइन के औसत का लघुगणक (logarithm) लेकर, अनुमानक अस्थिरता $\sigma^2_t$ को अलग करता है।
• लाभ: थ्रेशोल्डिंग (जो बड़े जम्प्स को हटाती है लेकिन छोटे जम्प्स को छोड़ देती है) या बाई-पावर (जो जम्प प्रभाव को कम करती है लेकिन शून्य तक नहीं) के विपरीत, ECF दृष्टिकोण सभी आकार के जम्प्स के प्रभाव को नियंत्रित करता है, जो विशेष रूप से अनंत भिन्नता जम्प्स के लिए प्रभावी है।

C. लीवरेज प्रभाव अनुमानक (Leverage Effect Estimator)

लीवरेज प्रभाव $L_{[0,T]} = \langle X, \sigma^2 \rangle_T$ का अनुमान मूल्य वृद्धियों और फॉरवर्ड (forward) एवं बैकवर्ड (backward) स्पॉट अस्थिरता अनुमानों के बीच के अंतर के गुणनफल को जोड़कर लगाया जाता है:
$$\hat{L}_{[0,T]} = \sum_{i} \Delta^n_i X \cdot (\hat{\sigma}^2_{t_{i+}} - \hat{\sigma}^2_{t_{i-}})$$

• बायस हटाना (Bias Removal): फॉरवर्ड ($\hat{\sigma}^2_{t_{i+}}$) और बैकवर्ड ($\hat{\sigma}^2_{t_{i-}}$) अनुमानकों के बीच का अंतर जम्प्स द्वारा प्रेरित अग्रणी-क्रम (leading-order) बायस पदों को रद्द कर देता है, बशर्ते कि जम्प संरचना विशिष्ट समरूपता या नियमितता शर्तों को पूरा करती हो।

D. अस्थिरता की अस्थिरता अनुमानक (Volatility of Volatility Estimator)

एकीकृत VoV को $VoV_{[0,T]} = \int_0^T 4\sigma^2_t ((\tilde{\sigma}_t)^2 + (\tilde{\sigma}'_t)^2) dt$ के रूप में परिभाषित किया गया है। अनुमानक को $h_1$ फलन (जो ECF विचरण से व्युत्पन्न है) से सुधारा गया स्पॉट अस्थिरता अनुमानों के वर्ग अंतर का उपयोग करके बनाया गया है:
$$\widehat{VoV}_{[0,T]} = \sum_{i} \left( \frac{3}{2k_n} (\hat{\sigma}^2_{t_{i+}} - \hat{\sigma}^2_{t_{i-}})^2 - \frac{3}{k_n^2} h_1(u, t_{i+}, \hat{\sigma}^2_{t_{i+}}) \right)$$

E. व्यवहार्य केंद्रीय सीमा प्रमेय (Feasible Central Limit Theorems)

अनुमान को व्यावहारिक बनाने के लिए, लेखक लीवरेज और VoV अनुमानकों के स्पर्शोन्मुखी विचरण (asymptotic variances) के लिए सुसंगत अनुमानक प्रस्तावित करते हैं। यह व्यवहार्य केंद्रीय सीमा प्रमेयों (CLT) के निर्माण की अनुमति देता है, जिससे वास्तविक अंतर्निहित मापदंडों को जाने बिना विश्वास अंतराल (confidence intervals) और परिकल्पना परीक्षण (hypothesis testing) की गणना संभव होती है।

3. मुख्य योगदान (Key Contributions)

1. शिथिल जम्प स्थितियाँ (Relaxed Jump Conditions): प्रस्तावित अनुमानक मौजूदा साहित्य की तुलना में काफी अधिक सामान्य जम्प स्थितियों के तहत सुसंगतता और स्पर्शोन्मुखी सामान्यता प्राप्त करते हैं।
   • सुसंगतता (Consistency): VoV के लिए JAI < 2 और लीवरेज के लिए JAI $\le 1$ के लिए वैध है, जबकि पिछली विधियों को अक्सर JAI < 1 की आवश्यकता होती थी।
   • स्पर्शोन्मुखी सामान्यता (Asymptotic Normality): VoV के लिए JAI < 1.5 और लीवरेज के लिए JAI $\le 1$ के लिए वैध है, जबकि कुछ मौजूदा कार्यों में JAI < 1/2 या < 1/3 था।
2. इष्टतम अभिसरण दर (Optimal Convergence Rate): अनुमानक अनंत भिन्नता जम्प्स की उपस्थिति में भी लीवरेज प्रभाव और VoV दोनों के लिए इष्टतम अभिसरण दर $n^{-1/4}$ प्राप्त करते हैं।
3. कोई पैरामीटर ट्यूनिंग नहीं (No Parameter Tuning): थ्रेशोल्डिंग विधियों के विपरीत, जिन्हें अज्ञात जम्प एक्टिविटी इंडेक्स ($\alpha, \omega$) पर निर्भर ट्यूनिंग पैरामीटर की आवश्यकता होती है, प्रस्तावित विधि एक पैरामीटर $u$ पर निर्भर करती है जिसे संतोषजनक प्रदर्शन के लिए एक निश्चित मान (जैसे $u=1$) पर सेट किया जा सकता है।
4. सैद्धांतिक परिशोधन (Theoretical Refinement): यह शोध पत्र Liu et al. (2018) के स्पॉट अस्थिरता अनुमानक के स्पर्शोन्मुखी गुणों को सुधारता और परिष्कृत करता है, यह सिद्ध करते हुए कि यह इष्टतम $n^{-1/4}$ दर प्राप्त करता है (पहले बताए गए $n^{-1/4}/\log n$ के बजाय) और एक व्यवहार्य (feasible) CLT प्रदान करता है (विचरण का अनुमान लगाकर), जो पिछले कार्यों में गायब था।
5. सामान्यीकरण (Generalization): सिद्धांत को मूल्य और अस्थिरता के एक सामान्य फलन $F(\sigma^2)$ के बीच सहप्रसरण के रूप में परिभाषित लीवरेज प्रभावों तक विस्तारित किया गया है, जो यह दर्शाता है कि प्रस्तावित अनुमानक का स्पर्शोन्मुखी विचरण मौजूदा निरंतर मामलों के अनुमानकों (जैसे Wang और Mykland, 2014) की तुलना में कम है।

4. परिणाम (Results)

सैद्धांतिक परिणाम (Theoretical Results)

• प्रपोजिशन 1 और थ्योरम 1: लीवरेज प्रभाव अनुमानक की सुसंगतता और स्पर्शोन्मुखी सामान्यता स्थापित की गई। सीमित विचरण स्पष्ट रूप से व्युत्पन्न किया गया है, और एक व्यवहार्य संस्करण बनाया गया है।
• थ्योरम 2: VoV अनुमानक के लिए सुसंगतता और स्पर्शोन्मुखी सामान्यता स्थापित की गई। शोध पत्र सिद्ध करता है कि स्पॉट अस्थिरता अनुमानों का अंतर लेने पर बायस पद प्रभावी रूप से रद्द हो जाते हैं, यहाँ तक कि अनंत भिन्नता जम्प्स के मामले में भी।
• थ्योरम 3-5: व्यवहार्य विचरणों के निर्माण के लिए उपयोग किए जाने वाले अस्थिरता फलन अनुमानकों की सुसंगतता को सिद्ध किया गया।

सिमुलेशन अध्ययन (Simulation Studies)

• प्रदर्शन: व्यापक सिमुलेशन ने प्रस्तावित अनुमानकों ("Lev-our", "Vov-our") की मौजूदा विधियों (Lev-AJ14, Lev-AFLWY17, Vov-BV09, आदि) के विरुद्ध तुलना की।
• अनंत भिन्नता जम्प्स: जब जम्प्स अनंत भिन्नता के थे ($\beta = 1.5$), तो मौजूदा अनुमानकों ने बड़े बायस दिखाए या अभिसरण करने में विफल रहे, जबकि प्रस्तावित अनुमानकों ने निम्न बायस और माध्य वर्ग त्रुटि (MSE) बनाए रखा।
• परिमित नमूना (Finite Sample): प्रस्तावित अनुमानकों ने विभिन्न जम्प एक्टिविटी इंडेक्स ($\beta = 0.5, 1, 1.5$) के लिए मजबूत प्रदर्शन प्रदर्शित किया।
• CLT सत्यापन: हिस्टोग्राम और Q-Q प्लॉट्स ने पुष्टि की कि स्टूडेंटाइज्ड सांख्यिकी (studentized statistics) मानक सामान्य वितरण की ओर अभिसरित होती है, जो व्यवहार्य CLTs को प्रमाणित करती है।

अनुभवजन्य अनुप्रयोग (Empirical Application)

• डेटा: SPY और इसके चार घटक शेयरों (AAPL, AMZN, INTC, MSFT) के लिए 8 वर्षों के उच्च-आवृत्ति डेटा (2011-2018) पर लागू किया गया।
• जम्प एक्टिविटी: जम्प एक्टिविटी इंडेक्स (JAI) को अक्सर $> 0.5$ और अक्सर $> 1$ (विशेष रूप से SPY के लिए) पाया गया, जो गहन अनंत भिन्नता जम्प्स की उपस्थिति की पुष्टि करता है।
• निष्कर्ष:
  • लीवरेज प्रभाव: अधिकांश संपत्तियों और वर्षों के लिए महत्वपूर्ण नकारात्मक लीवरेज प्रभाव का पता लगाया गया, जो वित्तीय सिद्धांत के अनुरूप है।
  • अस्थिरता की अस्थिरता (VoV): गैर-शून्य VoV के प्रमाण मिले। परिकल्पना परीक्षण ने अधिकांश संपत्तियों और वर्षों के लिए, विशेष रूप से 2018 में, शून्य VoV की शून्य परिकल्पना को खारिज कर दिया।
  • मजबूती (Robustness): पद्धति ने जटिल पैरामीटर ट्यूनिंग की आवश्यकता के बिना वास्तविक डेटा में देखी गई उच्च जम्प तीव्रता को सफलतापूर्वक संभाला।

5. महत्व (Significance)

यह शोध पत्र यथार्थवादी बाजार सूक्ष्म संरचना विशेषताओं, विशेष रूप से अनंत भिन्नता जम्प्स की उपस्थिति में लीवरेज और अस्थिरता की अस्थिरता के अनुमान के लिए एक मजबूत, सैद्धांतिक रूप से सुदृढ़ और व्यावहारिक रूप से सुविधाजनक ढांचा प्रदान करता है।

• अभ्यासकर्ताओं के लिए (For Practitioners): यह एक "प्लग-एंड-प्ले" समाधान प्रदान करता है जिसके लिए मापदंडों को ट्यून करने के लिए जम्प एक्टिविटी इंडेक्स को अनुमानित करने के कठिन कार्य की आवश्यकता नहीं है, जो इसे उन अनुभवजन्य अध्ययनों के लिए श्रेष्ठ बनाता है जहाँ जम्प विशेषताएँ अज्ञात होती हैं।
• शोधकर्ताओं के लिए (For Researchers): यह उच्च-आवृत्ति अर्थमिति की सैद्धांतिक सीमाओं का विस्तार करता है, यह सिद्ध करते हुए कि उच्च जम्प एक्टिविटी (अनंत भिन्नता) की उपस्थिति में भी इष्टतम अनुमान संभव है, एक ऐसा क्षेत्र जहाँ कई मानक उपकरण विफल हो जाते हैं।
• बाजार अंतर्दृष्टि (Market Insight): अनुभवजन्य अनुप्रयोग पुष्टि करता है कि वास्तविक दुनिया का उच्च-आवृत्ति डेटा जम्प गतिविधि द्वारा संचालित होता है जो सरल निरंतर मॉडलों को अमान्य कर देता है, और प्रस्तावित अनुमानक लीवरेज और अस्थिरता क्लस्टरिंग की गतिशीलता को सटीक रूप से पकड़ने के लिए आवश्यक हैं।