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

1. Il Problema

Il lavoro si concentra sull'inferenza statistica di due quantità fondamentali nei mercati finanziari ad alta frequenza: l'effetto leva (leverage effect) e la volatilità della volatilità (volatility of volatility, VoV).

• Contesto: I prezzi degli asset sono modellati come semimartinghe Itô che includono un termine di diffusione (moto browniano) e un termine di salto (jumps).
• Sfida principale: La presenza di "salti" (jumps), specialmente quelli a variazione infinita (infinite variation), introduce un bias significativo negli stimatori tradizionali della volatilità spot.
• Limitazioni degli approcci esistenti: I metodi attuali per stimare l'effetto leva e la VoV in presenza di salti (come le tecniche di thresholding o gli stimatori bi-power) richiedono spesso che i salti siano a variazione finita (Jump Activity Index, JAI < 1) per garantire la consistenza e la normalità asintotica. Inoltre, molti di questi metodi richiedono una complessa procedura di calibrazione dei parametri di soglia.

2. Metodologia

Gli autori propongono una nuova metodologia basata sulla funzione caratteristica empirica (Empirical Characteristic Function - ECF) degli incrementi ad alta frequenza.

• Stimatore della Volatilità Spot:

  • Utilizzano uno stimatore della volatilità spot $\hat{\sigma}^2_t$ costruito tramite la funzione caratteristica empirica degli incrementi normalizzati $\Delta^n_i X / \sqrt{\Delta_n}$.
  • La formula chiave (Eq. 12) utilizza il logaritmo della media dei coseni degli incrementi:
    $$\hat{\sigma}^2_t = -\frac{2}{u^2} \log \left( \left[ \frac{1}{k_n} \sum \cos \left( \frac{u \Delta^n_j X}{\sqrt{\Delta_n}} \right) \right] \vee \frac{1}{\sqrt{k_n}} \right)$$
  • Questo approccio è intrinsecamente robusto ai salti perché la funzione caratteristica attenua l'impatto degli outlier rispetto ai metodi basati sui momenti (come la varianza realizzata).

• Stimatore dell'Effetto Leva ($L_{[0,T]}$):

  • Definito come la covariazione quadratica tra il processo log-prezzo $X$ e la sua volatilità $\sigma^2$.
  • Lo stimatore $\hat{L}_{[0,T]}$ (Eq. 20) è costruito sostituendo la volatilità vera con lo stimatore spot $\hat{\sigma}^2_t$ e utilizzando finestre locali non sovrapposte prima e dopo il tempo $t_i$ per calcolare le differenze di volatilità.

• Stimatore della Volatilità della Volatilità ($VoV_{[0,T]}$):

  • Definito come l'integrale della varianza del processo di volatilità.
  • Lo stimatore (Eq. 30) sfrutta la relazione tra la varianza asintotica dello stimatore spot e la VoV. Utilizza la differenza al quadrato tra le stime di volatilità spot a destra e a sinistra ($\hat{\sigma}^2_{t_i+} - \hat{\sigma}^2_{t_i-}$) per isolare il termine di variazione della volatilità, rimuovendo i termini di bias dovuti ai salti.

• Teoremi del Limite Centrale (CLT) Fattibili:

  • Gli autori derivano la distribuzione asintotica normale degli stimatori.
  • Propongono stimatori consistenti per le varianze asintotiche (funzionali di volatilità), rendendo i teoremi del limite centrale "fattibili" (cioè utilizzabili per costruire intervalli di confidenza e test di ipotesi nella pratica).

3. Contributi Chiave

1. Generalità dei Salti: Il contributo teorico più significativo è la validità degli stimatori sotto condizioni molto più generali sui salti rispetto alla letteratura esistente.
   • Per la consistenza, l'indice di attività dei salti (JAI) può essere fino a 2 (coprendo quindi salti a variazione infinita).
   • Per la normalità asintotica, il JAI può essere fino a 1.5 (o 1 per l'effetto leva in alcune configurazioni), superando il limite di JAI < 1 richiesto dai metodi di thresholding o bi-power.
2. Miglioramento Asintotico: Lo stimatore della volatilità spot proposto raggiunge il tasso di convergenza ottimale $n^{-1/4}$, migliorando il risultato precedente di $n^{-1/4}/\log(n)$ trovato in Liu et al. (2018).
3. Assenza di Soglia Parametrica: A differenza delle tecniche di thresholding che richiedono la selezione di parametri di soglia ($\alpha, \omega$) dipendenti dall'attività dei salti (spesso sconosciuta), il metodo basato sulla ECF richiede solo la scelta di un parametro $u$ (che può essere fissato a una costante, es. $u=1$) senza bisogno di calibrazione complessa.
4. Estensione a Funzionali Generali: Il lavoro estende la teoria dell'effetto leva a funzioni generali della volatilità $F(\sigma^2)$, mostrando che il loro stimatore ha una varianza asintotica inferiore rispetto a quello proposto da Wang e Mykland (2014) nel caso continuo.

4. Risultati

• Studi di Simulazione:
  • Le simulazioni confermano che gli stimatori proposti hanno prestazioni superiori (minore errore quadratico medio - MSE) rispetto agli stimatori esistenti (come Lev-AFLWY17, Vov-BV09), specialmente quando l'attività dei salti è intensa (JAI elevato, es. 1.5).
  • Gli stimatori mostrano una buona normalità asintotica anche in presenza di salti a variazione infinita.
  • La scelta di un parametro $u$ fisso (es. $u=1$) si rivela sufficiente per ottenere buone prestazioni in campioni finiti, evitando la necessità di metodi data-driven complessi.
• Applicazione Empirica:
  • Applicando gli stimatori a dati ad alta frequenza reali (SPY e azioni come Apple, Amazon, Microsoft) dal 2011 al 2018.
  • Risultati sui Salti: L'indice di attività dei salti stimato è spesso maggiore di 1 (variazione infinita), giustificando l'uso del nuovo metodo.
  • Effetto Leva: Viene trovata evidenza di un effetto leva negativo significativo (coerente con la teoria finanziaria) per la maggior parte degli asset e degli anni analizzati.
  • Volatilità della Volatilità: Viene rifiutata l'ipotesi nulla di VoV zero per la maggior parte degli anni e degli asset, confermando che la volatilità stessa è un processo stocastico con variazione significativa.

5. Significato

Questo lavoro è di fondamentale importanza per l'econometria finanziaria ad alta frequenza perché:

• Rende robusta l'inferenza: Fornisce strumenti teorici solidi per stimare quantità di rischio complesse (come la VoV) in un ambiente di mercato realistico caratterizzato da salti frequenti e di piccola entità (variazione infinita), che i metodi precedenti non riuscivano a gestire correttamente.
• Semplifica l'implementazione: Rimuove la necessità di calibrazione complessa dei parametri di soglia, rendendo gli stimatori più facili da applicare per i praticanti.
• Conferma empirica: Dimostra che, utilizzando dati reali, l'effetto leva e la volatilità della volatilità sono fenomeni statisticamente significativi e misurabili anche in presenza di rumore di mercato e salti intensi.

In sintesi, il paper colma un divario teorico ed empirico, offrendo una soluzione superiore per la stima della dinamica della volatilità in scenari di mercato turbolenti.