Spectral analysis of high-dimensional spot volatility matrix with applications

Titolo: Analisi Spettrale della Matrice di Volatilità Spot ad Alta Dimensionalità con Applicazioni

Autori: Qiang Liu, Yiming Liu, Zhi Liu, Wang Zhou.

---

1. Il Problema e il Contesto

Negli ultimi decenni, l'analisi asintotica spettrale delle matrici di covarianza campionarie è stata ampiamente studiata nel regime ad alta dimensionalità, dove la dimensione $p$ e la dimensione del campione $n$ tendono all'infinito allo stesso tasso. Tuttavia, la maggior parte delle teorie esistenti si basa sull'assunzione di campioni indipendenti e identicamente distribuiti (i.i.d.).

In finanza, specialmente con i dati ad alta frequenza (high-frequency data), questa assunzione è spesso violata:

• I dati derivano da processi stocastici continui osservati a istanti discreti.
• Le incrementi dei prezzi non sono né indipendenti né identicamente distribuiti a causa della volatilità stocastica e della presenza di trend (drift).
• Esiste una distinzione cruciale tra la volatilità integrata (media su un intervallo di tempo) e la volatilità spot (valore istantaneo in un dato momento $t$).

Il problema centrale affrontato è estendere la teoria delle matrici aleatorie ad alta dimensionalità alla matrice di volatilità spot stimata tramite dati ad alta frequenza, dove la dimensionalità $p$ (numero di asset) e la dimensione del campione locale $k_n$ crescono simultaneamente.

2. Metodologia e Assunzioni

Modello Stocastico

Gli autori modellano il processo log-prezzo efficiente $X_t$ come una semimartingala di Browniana continua:
$$X_t = X_0 + \int_0^t b_s ds + \int_0^t \sigma_s dB_s$$
dove:

• $b_t$ è il termine di drift.
• $\sigma_t$ è una matrice stocastica $p \times q$ che genera la volatilità.
• $B_t$ è un moto browniano $q$-dimensionale.
• La matrice di volatilità spot è definita come $c_t = \sigma_t \sigma_t^T$.

Stimatore

Utilizzando dati ad alta frequenza su una griglia temporale equidistante $\{i/n\}$, gli autori considerano lo stimatore della volatilità spot in un punto $t$:
$$\hat{c}_n^t = \frac{n}{k_n} \sum_{i=\lfloor tn \rfloor + 1}^{\lfloor tn \rfloor + k_n} (\Delta_i^n X)(\Delta_i^n X)^T$$
dove $k_n$ è una finestra di finestre locali che tende all'infinito ma $k_n/n \to 0$.

Assunzioni Chiave

1. Regolarità: Gli elementi di $\sigma_t$ soddisfano condizioni di continuità locale (assumendo una regolarità di Hölder con esponente $\gamma$).
2. Crescita Dimensionale: Sia $p$ che $n$ tendono all'infinito, con $p/k_n \to \bar{p} > 0$. Il numero di fattori $q$ può essere fissato o divergere, ma a un tasso controllato rispetto a $p$.
3. Struttura di Correlazione: Il modello permette la dipendenza tra $\sigma_t$ e $B_t$ (effetto leva), senza richiedere l'indipendenza i.i.d. degli incrementi.

3. Risultati Teorici Principali

Gli autori stabiliscono due risultati fondamentali che estendono la teoria classica di Marčenko-Pastur al contesto della volatilità spot:

A. Distribuzione Spettrale Limitante (Primo Ordine)

• Teorema 1: Sotto condizioni di regolarità, la distribuzione spettrale empirica (ESD) dello stimatore $\hat{c}_n^t$ converge debolmente a una distribuzione limite $F_{\bar{p}, H_t}$.
• Risultato Chiave: Nonostante la violazione dell'assunzione i.i.d., la relazione tra la distribuzione spettrale della matrice di popolazione $c_t$ e quella dello stimatore è ancora governata dall'equazione di Marčenko-Pastur tramite la trasformata di Stieltjes.
• Questo risultato è sorprendente perché, a differenza della volatilità integrata (dove la variabilità temporale distorce la distribuzione), la volatilità spot locale, se stimata su una finestra sufficientemente piccola, mantiene la struttura classica di Marčenko-Pastur, a patto che la volatilità sia sufficientemente liscia ($\gamma > 0$).

B. Teorema del Limite Centrale per Statistiche Spettrali Lineari (Secondo Ordine)

• Teorema 2: Viene stabilito un Teorema del Limite Centrale (CLT) per le statistiche spettrali lineari (LSS) della forma $\frac{1}{p}\sum f(\lambda_i)$.
• La statistica centrata e scalata converge a una distribuzione normale multivariata.
• Contributo Innovativo: A differenza della letteratura precedente che spesso richiede matrici di popolazione non casuali, questo risultato è valido anche quando gli elementi della matrice di volatilità $c_t$ sono variabili casuali, purché soddisfino certe condizioni di regolarità. Questo è un passo avanti significativo nella teoria delle matrici aleatorie ad alta dimensionalità.

4. Applicazioni: Test di Ipotesi

Sfruttando i risultati asintotici, gli autori propongono test statistici per la matrice di volatilità spot:

1. Test di Identità:

   • Ipotesi nulla: $H_0: c_t = I_p$ (la matrice di volatilità è l'identità).
   • Vengono proposti due statistiche:
     • Una basata sul rapporto di verosimiglianza (simile a Bai et al., 2009), valida per $\bar{p} < 1$.
     • Una basata sulla norma di Frobenius (Ledoit-Wolf), valida anche per $\bar{p} \geq 1$.
   • Le statistiche sono asintoticamente normali sotto $H_0$.

2. Test di Sfericità:

   • Ipotesi nulla: $H_0: c_t = k^2 I_p$ (la matrice è proporzionale all'identità, con $k^2$ sconosciuto).
   • Viene adattata la statistica di John (1972) al contesto ad alta frequenza.
   • Anche in questo caso, la statistica normalizzata converge a una distribuzione normale.

5. Studi di Simulazione e Validazione

Gli autori conducono simulazioni numeriche per verificare la teoria:

• Scenari: Sono stati testati modelli di volatilità deterministica e stocastica (incluso il modello Heston e volatilità "rough").
• Risultati:
  • Le distribuzioni empiriche degli autovalori dello stimatore $\hat{c}_n^t$ si allineano perfettamente con la legge di Marčenko-Pastur teorica prevista dal Teorema 1.
  • I test di ipotesi (Identità e Sfericità) mostrano dimensioni empiriche (size) vicine ai livelli nominali e buona potenza (power) per campioni finiti.
  • I test basati sulla teoria proposta funzionano bene anche in presenza di correlazione tra volatilità e rumore (effetto leva).

6. Significato e Contributi

1. Estensione Teorica: Il lavoro colma un divario importante nella teoria delle matrici aleatorie, applicandola a dati finanziari ad alta frequenza non i.i.d. e a matrici di volatilità spot (non integrate).
2. Robustezza: Dimostra che la struttura classica di Marčenko-Pastur sopravvive alla complessità dei processi stocastici continui, a condizione di una sufficiente regolarità della volatilità.
3. Utilità Pratica: Fornisce strumenti statistici rigorosi per testare la struttura della matrice di covarianza istantanea, cruciale per:
   • L'allocazione di portafoglio efficiente (Mean-Variance).
   • La gestione del rischio in tempo reale.
   • L'analisi dei fattori e la riduzione della dimensionalità nei mercati finanziari.
4. Flessibilità: I risultati sono validi anche quando la dimensione dei fattori $q$ cresce con $p$, rendendoli applicabili a dataset moderni di grandi dimensioni.

In sintesi, questo articolo fornisce le fondamenta teoriche necessarie per l'analisi spettrale della volatilità istantanea in grandi dimensioni, trasformando un problema complesso di dati finanziari in un framework statistico gestibile e testabile.