📈 economics

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

Deze studie introduceert een nieuwe schatter voor de hefboomeffect en de volatiliteit van volatiliteit op basis van hoogfrequente data en de empirische karakteristieke functie, die robuust is tegenover jumps (inclusief oneindige variatie) en betere prestaties levert dan bestaande methoden.

Oorspronkelijke auteurs: Qiang Liu, Zhi Liu, Wang Zhou

Gepubliceerd 2026-03-03

📖 5 min leestijd🧠 Diepgaand

CC0 1.0

Oorspronkelijke auteurs: Qiang Liu, Zhi Liu, Wang Zhou

Oorspronkelijk artikel vrijgegeven aan het publieke domein onder CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Kern: Het Voorspellen van de "Zenuwachtigheid" van de Beurs

Stel je voor dat je kijkt naar de prijsbeweging van een aandeel (zoals Apple of Microsoft) op de beurs. In de wereld van de financiële wiskunde noemen we dit een semimartingale. Dat klinkt ingewikkeld, maar het is eigenlijk gewoon een lijn die willekeurig op en neer gaat, soms rustig en soms heel chaotisch.

De auteurs van dit paper willen twee dingen meten:

De Leverage Effect (De hefboomeffect): Dit is de relatie tussen de prijs en de "zenuwachtigheid" (volatiliteit). Vaak geldt: als de prijs daalt, wordt de markt nerveuzer (de volatiliteit gaat omhoog). Het is alsof een auto die hard remt, de banden heet maakt.
De Volatility of Volatility (De volatiliteit van de volatiliteit): Dit is hoe snel die "zenuwachtigheid" zelf verandert. Verandert de markt rustig van humeur, of schiet hij plotseling van kalm naar paniek?

Het Probleem: De "Jump" (De Sprong)

Het grote probleem bij het meten van deze dingen is dat de beurs niet altijd rustig loopt. Soms gebeurt er iets onverwachts (een nieuwsbericht, een crisis) waardoor de prijs niet geleidelijk beweegt, maar springt.

In de wiskunde noemen we dit een jump (sprong).

Stel je voor: Je loopt rustig door een park (dat is de normale prijsbeweging). Plotseling wordt je aangevallen door een hond die uit het niets springt (dat is de jump).
Als je probeert te meten hoe snel je liep, maar je vergeet de sprong van de hond, dan krijg je een verkeerd beeld. Je denkt dat je hard hebt gelopen, terwijl je eigenlijk gewoon stilstond en toen werd weggeslingerd.

De meeste oude methoden om de "zenuwachtigheid" te meten, werken goed als de hond maar een paar keer springt. Maar in de echte wereld springt de hond soms duizenden keren per seconde (dit noemen ze infinite variation jumps). De oude methoden raken dan volledig in de war en geven foute antwoorden.

De Oplossing: De "Truc" met de Cosinus

De auteurs van dit paper hebben een nieuwe manier bedacht om de "zenuwachtigheid" te meten, zelfs als de hond gek wordt. Ze gebruiken een techniek gebaseerd op de empirische karakteristieke functie.

Laten we dit uitleggen met een metafoor:

De Oude Methode (Drempelwaarde): Stel je probeert de hond te filteren door te zeggen: "Als de hond groter is dan 10 cm, tellen we hem niet mee." Dit werkt goed voor grote honden, maar kleine, snelle hondjes (kleine jumps) worden over het hoofd gezien en verstoren nog steeds je meting.
De Nieuwe Methode (De Cosinus-Truc): De auteurs gebruiken een wiskundige golf (de cosinus). Stel je voor dat je de beweging van de hond niet meet door naar de afstand te kijken, maar door te luisteren naar het geluid dat hij maakt.
- De cosinus-functie heeft een speciale eigenschap: als je een enorme sprong maakt, "buigt" de golf zich op een specifieke manier die je kunt herkennen en wegnemen.
- Het is alsof je een filter hebt dat niet kijkt naar hoe groot de sprong is, maar naar hoe de golf eruitziet. Hierdoor kunnen ze de "hond" (de jump) perfect uit de meting filteren, ongeacht of het een grote of een kleine, snelle hond is.

Waarom is dit belangrijk?

Het werkt bij gekke jumps: De nieuwe methode werkt zelfs als de jumps heel frequent en chaotisch zijn (oneindige variatie). De oude methoden faalden hierbij.
Geen lastige instellingen: Oude methoden vereisten dat je zelf parameters moest instellen (zoals "hoe groot moet de hond zijn om weg te filteren?"). Als je dat verkeerd deed, was je meting waardeloos. De nieuwe methode is robuust; je hoeft niet te gissen.
Betere voorspellingen: Door de jumps beter te filteren, krijgen we een veel scherpere foto van hoe de markt echt werkt.

Wat hebben ze bewezen?

De auteurs hebben wiskundig bewezen (met zware theorie en simulaties) dat hun nieuwe methode:

Eerlijk is: De gemiddelde meting komt precies uit op het echte antwoord (consistentie).
Betrouwbaar is: Als je het vaak genoeg doet, volgt de verdeling een bekend patroon (normale verdeling), waardoor je zekerheid kunt geven over je resultaten.
Beter presteert: In tests met nep-data (simulaties) en echte data (zoals de SP500 en tech-aandelen) bleek hun methode veel nauwkeuriger te zijn dan de bestaande methoden, vooral als de markt erg onrustig is.

De Conclusie in het Kort

Dit paper is als het ontwikkelen van een nieuwe bril voor de beurs.
De oude brillen waren goed voor rustige dagen, maar als er storm kwam (veel jumps), werden ze wazig. De auteurs hebben een nieuwe bril ontworpen die zelfs in de zwaarste storm helder blijft kijken. Hierdoor kunnen economen en beleggers nu veel beter begrijpen hoe de "zenuwachtigheid" van de markt werkt, zelfs als er veel onverwachte sprongen plaatsvinden.

Dit helpt bij het bouwen van betere risico-modellen en het begrijpen van waarom aandelen soms plotseling in paniek raken.

1. Probleemstelling

In de financiële econometrie is het schatten van de hefboomeffect (de covariantie tussen de assetprijs en zijn volatiliteit) en de volatiliteit van volatiliteit (de variatie in het volatiliteitsproces) van cruciaal belang voor risicomanagement en derivatenprijzen. Traditionele schatters, zoals Realized Volatility, zijn gevoelig voor sprongen (jumps) in de prijsprocessen.

De kernuitdaging waar dit artikel zich mee bezighoudt, is de aanwezigheid van sprongen met oneindige variatie (infinite variation jumps). Veel bestaande methoden (zoals thresholding of bi-power estimators) zijn consistent en hebben een geldig centrale limiettheorema (CLT) alleen onder de aanname dat sprongen een eindige variatie hebben. Empirisch onderzoek toont echter aan dat hoogfrequente financiële data vaak sprongen vertonen met een hoge activiteit (oneindige variatie), waardoor bestaande methoden vertekende resultaten leveren of hun asymptotische eigenschappen verliezen.

2. Methodologie

De auteurs stellen een nieuwe schattingsmethode voor die gebaseerd is op de empirische karakteristieke functie (empirical characteristic function) van hoogfrequente increments.

Model: Het log-prijsproces $X_t$ wordt gemodelleerd als een semi-martingaal met een continu diffusiegedeelte en een spronggedeelte $J_t$ . Het spronggedeelte wordt opgesplitst in een symmetrisch Lévy-proces $L$ (met Blumenthal-Getoor index $\beta$ ) en een algemeen spronggedeelte $J'$ (met activiteitsindex $r$ ).
Spot Volatiliteit Schatter: De methode begint met het schatten van de spot volatiliteit ( $\sigma^2_t$ ). In plaats van increments direct te gebruiken (zoals bij realized volatility), gebruiken de auteurs de cosinus-transformatie van de genormaliseerde increments:
$\hat{\sigma}^2_t = -\frac{2}{u^2} \log \left( \frac{1}{k_n} \sum \cos\left( \frac{u \Delta^n_j X}{\sqrt{\Delta_n}} \right) \right)$
Hierbij is $u$ een parameter en $k_n$ het aantal increments in een lokaal venster. Deze benadering maakt gebruik van de eigenschap dat de karakteristieke functie van sprongen anders schaalt dan die van Brownse beweging, waardoor de invloed van sprongen (zowel groot als klein) effectief wordt onderdrukt.
Hefboomeffect en Volatiliteit van Volatiliteit:
- Hefboomeffect: Geschat door de kwadratische covariatie tussen de prijs en de geschatte spot volatiliteit te benaderen, waarbij gebruik wordt gemaakt van de geschatte volatiliteit voor en na het tijdstip $t$ .
- Volatiliteit van Volatiliteit: Geschat door de variatie in de geschatte spot volatiliteit te analyseren. De auteurs gebruiken de kwadratische verschillen tussen de geschatte volatiliteit in opeenvolgende vensters, gecorrigeerd voor de asymptotische bias die door de schatter zelf wordt geïntroduceerd.
Bias Correctie: Een cruciaal aspect is dat de auteurs laten zien dat door het nemen van het verschil tussen de volatiliteitsschattingen op twee dicht bij elkaar liggende tijdstippen ( $\hat{\sigma}^2_{t+} - \hat{\sigma}^2_{t-}$ ), de bias-termen veroorzaakt door de sprongen (die lokaal constant zijn) elkaar opheffen.

3. Belangrijkste Bijdragen

Generaliteit van Sprongactiviteit: De theorie houdt stand onder veel bredere voorwaarden dan bestaande literatuur. Voor consistentie en asymptotische normaliteit worden minder restrictieve eisen gesteld aan de sprongactiviteitsindex ( $\beta$ $β$ en $r$ $r$ ).
- Voor consistentie van de hefboom-schatter: $\max\{\beta, r\} \leq 1$ (bestaande methoden vereisten vaak $< 1$ ).
- Voor consistentie van de volatiliteit-van-volatiliteit schatter: $\beta < 2$ en $r < 4/3$ .
- Voor asymptotische normaliteit (CLT): $\beta < 1.5$ en $r < 1$ .
Optimale Convergentiesnelheid: De voorgestelde schatters bereiken de optimale convergentiesnelheid van $n^{-1/4}$ , zelfs in aanwezigheid van oneindige variatie sprongen.
Feasible Central Limit Theorems: De auteurs leiden niet alleen de theoretische limietverdelingen af, maar stellen ook consistente schatters op voor de asymptotische varianties. Dit maakt het mogelijk om betrouwbaarheidsintervallen te construeren en hypothetestoetsen uit te voeren in de praktijk (feasible CLT).
Geen Parameter-Tuning: In tegenstelling tot thresholding-methoden die gevoelig zijn voor de keuze van drempelparameters, vereist de voorgestelde methode geen ingewikkelde parameter-tuning. Simulaties tonen aan dat het vastzetten van de parameter $u$ op een constante waarde (bijv. $u=1$ ) al uitstekende resultaten oplevert.
Verbetering van Bestaande Schatters: De auteurs tonen aan dat de spot-volatiliteitsschatter uit Liu et al. (2018) een optimale snelheid $n^{1/4}$ heeft (in plaats van de eerder gerapporteerde $n^{1/4}/\log(n)$ ) en dat deze schatter ideaal is voor het schatten van volatiliteit van volatiliteit omdat de bias-termen door het verschilnemen verdwijnen.

4. Resultaten

Simulatiestudies: Uit uitgebreide simulaties blijkt dat de voorgestelde schatters superieur presteren ten opzichte van bestaande methoden (zoals Lev-AFLWY17, Vov-BV09), vooral wanneer de sprongactiviteit hoog is (oneindige variatie, $\beta > 1$ ). De nieuwe schatters hebben een lagere bias en een betere Mean Squared Error (MSE) in deze scenario's.
Asymptotische Eigenschappen: De simulaties bevestigen dat de schatters normaal verdeeld zijn volgens de afgeleide centrale limiettheorema's, zelfs bij hoge sprongintensiteit.
Empirische Toepassing: De methode is toegepast op hoogfrequente data van de S&P 500 ETF (SPY) en vier individuele aandelen (Apple, Amazon, Intel, Microsoft) over de periode 2011-2018.
- De geschatte sprongactiviteitsindex (JAI) was vaak groter dan 1, wat bevestigt dat oneindige variatie sprongen aanwezig zijn.
- De toetsing op een nul-hefboomeffect en nul-volatiliteit van volatiliteit leverde bewijs op voor een niet-nul hefboomeffect (negatief, zoals verwacht) en een niet-nul volatiliteit van volatiliteit in de markt.
- De resultaten tonen aan dat de volatiliteit van volatiliteit significant is, zelfs in jaren met relatief rustige markten, en dat de methode robuust is voor verschillende assetklassen.

5. Betekenis en Conclusie

Dit artikel biedt een robuust statistisch raamwerk voor het analyseren van hoogfrequente financiële data in de realiteit, waar sprongen met oneindige variatie veelvoorkomend zijn. De belangrijkste implicaties zijn:

Empirische Betrouwbaarheid: Onderzoekers en praktijkmensen kunnen nu betrouwbaarder het hefboomeffect en de volatiliteit van volatiliteit schatten zonder bang te hoeven zijn voor vertekening door intense sprongactiviteit.
Statistische Inference: Door de afleiding van feasible centrale limiettheorema's, wordt het mogelijk om formele hypothesetoetsen uit te voeren (bijv. "Is de volatiliteit van volatiliteit significant verschillend van nul?"), wat eerder niet mogelijk was onder deze algemene voorwaarden.
Praktische Toepasbaarheid: De methode is eenvoudig in gebruik omdat deze geen complexe parameterselectie vereist, wat het een aantrekkelijk alternatief maakt voor bestaande, meer ingewikkelde technieken.

Kortom, de auteurs sluiten een belangrijke kloof tussen de theoretische econometrie en de empirische realiteit van hoogfrequente data door een methode te bieden die zowel theoretisch onderbouwd als praktisch toepasbaar is in de aanwezigheid van complexe sprongstructuren.