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

1. Problema e Motivação

O artigo aborda o desafio estatístico de estimar duas quantidades fundamentais em finanças de alta frequência: o efeito de alavancagem (a correlação entre o preço do ativo e sua volatilidade) e a volatilidade da volatilidade (a intensidade das variações do processo de volatilidade).

O problema central reside na presença de saltos (jumps) nos dados de preços de ativos. Em finanças, os preços são frequentemente modelados como semimartingales que contêm uma parte contínua (difusão) e uma parte descontínua (saltos).

• Limitações dos Métodos Existentes: A literatura anterior (como Aït-Sahalia & Jacod, 2014; Wang & Mykland, 2014) frequentemente assume que os saltos são de variação finita (Jump Activity Index - JAI < 1) ou, no máximo, variáveis finitas. Métodos baseados em *thresholding* (limiar) ou *bi-power* tendem a falhar ou apresentar viés significativo quando os saltos são de **variação infinita** (JAI > 1), uma característica comum em dados financeiros reais de alta frequência.
• Objetivo: Desenvolver estimadores robustos para o efeito de alavancagem e a volatilidade da volatilidade que sejam válidos sob condições mais gerais de atividade de saltos, incluindo saltos de variação infinita, e estabelecer teoremas do limite central (CLT) viáveis para inferência estatística.

2. Metodologia

Os autores propõem uma abordagem baseada na Função Característica Empírica (FCE) dos incrementos de alta frequência, evitando a necessidade de filtrar saltos explicitamente (como no thresholding).

A. Modelo

O processo de log-preço $X_t$ é modelado como uma semimartingale de Itô:
$$X_t = X_0 + \int_0^t b_s ds + \int_0^t \sigma_s dB_s + J_t$$
Onde $J_t$ é um processo de salto puro, decomposto em duas partes: um processo de Lévy simétrico $L$ (com índice de Blumenthal-Getoor $\beta$) e um processo geral $J'$ (com índice de atividade $r$). A volatilidade $\sigma_t$ é também um processo estocástico contínuo.

B. Estimadores Propostos

1. Estimador de Volatilidade Spot ($\hat{\sigma}^2_t$):
   Utilizam o estimador proposto por Liu et al. (2018), que usa a função característica empírica dos incrementos normalizados:
   $$\hat{\sigma}^2_t = -\frac{2}{u^2} \log \left( \frac{1}{k_n} \sum_{j} \cos\left( \frac{u \Delta^n_j X}{\sqrt{\Delta_n}} \right) \vee \frac{1}{\sqrt{k_n}} \right)$$
   Este método é robusto a saltos porque a função cosseno "amortece" o impacto dos saltos grandes, diferentemente dos métodos quadráticos tradicionais.

2. Estimador de Efeito de Alavancagem ($\hat{L}_{[0,T]}$):
   Definido como a covariância quadrática entre o preço e a volatilidade. O estimador substitui a volatilidade spot verdadeira pela estimativa $\hat{\sigma}^2_t$ em uma soma de produtos de incrementos, utilizando janelas locais antes e depois do tempo $t$ para calcular a diferença de volatilidade:
   $$\hat{L}_{[0,T]} = \sum \Delta^n_i X \cdot (\hat{\sigma}^2_{t_{i+}} - \hat{\sigma}^2_{t_{i-}})$$

3. Estimador de Volatilidade da Volatilidade ($\widehat{VoV}_{[0,T]}$):
   Baseia-se na variação da volatilidade estimada. O estimador utiliza a diferença quadrática entre as estimativas de volatilidade spot em janelas adjacentes, corrigida por termos de viés derivados da função $h_1$ (variância condicional do estimador de volatilidade):
   $$\widehat{VoV}_{[0,T]} = \sum \left( \frac{3}{2k_n}(\hat{\sigma}^2_{t_{i+}} - \hat{\sigma}^2_{t_{i-}})^2 - \frac{3}{k_n^2}h_1(u, t_{i+}, \hat{\sigma}^2_{t_{i+}}) \right)$$

C. Estimação da Variância Asintótica

Para tornar os teoremas do limite central viáveis (feasible), os autores propõem estimadores consistentes para as variâncias assintóticas dos estimadores, utilizando funcionais de volatilidade estimados localmente.

3. Principais Contribuições Teóricas

• Generalidade dos Saltos: O principal avanço teórico é a relaxação das condições sobre o índice de atividade de saltos (JAI).
  • Para consistência: O método funciona para JAI < 2 (cobrindo saltos de variação infinita).
  • Para normalidade assintótica (CLT): O método exige JAI < 1.5 (para volatilidade da volatilidade) e JAI $\le$ 1 (para efeito de alavancagem), o que é mais flexível que os métodos existentes que exigem JAI < 1 ou JAI < 0.5.
• Taxa de Convergência Ótima: Os estimadores atingem a taxa de convergência ótima de $n^{-1/4}$, mesmo na presença de saltos.
• Teoremas do Limite Central Viáveis: Diferente de trabalhos anteriores que forneciam CLTs não viáveis (devido a variâncias desconhecidas), este artigo fornece estimadores consistentes para as variâncias, permitindo a construção de intervalos de confiança e testes de hipóteses na prática.
• Sem Necessidade de Tuning Complexo: Ao contrário do thresholding, que requer a seleção cuidadosa de parâmetros de limiar dependentes da atividade de saltos, o método proposto depende apenas de um parâmetro $u$ que pode ser fixado (ex: $u=1$) sem perda significativa de desempenho.

4. Resultados (Simulações e Dados Reais)

Estudos de Simulação

• Desempenho: Os estimadores propostos ("Lev-our" e "Vov-our") foram comparados com métodos existentes (Lev-AJ14, Lev-AFLWY17, Vov-BV09, etc.).
• Variação Infinita: Em cenários com saltos de variação infinita ($\beta = 1.5$), os métodos concorrentes falharam ou apresentaram viés e erro quadrático médio (MSE) elevados. O método proposto manteve o menor MSE e viés, demonstrando superioridade clara em cenários de alta atividade de saltos.
• Distribuição: As simulações confirmaram que as estatísticas padronizadas seguem uma distribuição normal padrão, validando os teoremas do limite central.

Estudo Empírico

• Dados: Aplicação a dados de alta frequência (3 minutos) de 2011 a 2018 para o ETF SPY e quatro ações (AAPL, AMZN, INTC, MSFT).
• Atividade de Saltos: A estimativa do índice de atividade de saltos (JAI) mostrou que, na maioria dos meses e ativos, o JAI é maior que 0.5 e frequentemente maior que 1, confirmando a presença de saltos de variação infinita nos dados reais.
• Evidências:
  • Efeito de Alavancagem: Foi detectado um efeito de alavancagem negativo significativo na maioria dos anos para o SPY, enquanto para as ações individuais a rejeição da hipótese nula foi menos consistente.
  • Volatilidade da Volatilidade: Evidência forte de volatilidade da volatilidade não nula, especialmente em anos de maior turbulência (como 2018).
  • Testes de Hipótese: Os testes de hipótese viáveis (baseados nos CLTs) rejeitaram a hipótese nula de volatilidade da volatilidade zero em vários períodos, validando a utilidade prática dos estimadores.

5. Significado e Conclusão

Este trabalho é significativo porque preenche uma lacuna crítica na econometria de alta frequência: a capacidade de realizar inferência estatística rigorosa sobre a dinâmica da volatilidade na presença de saltos intensos (variação infinita), que são ubíquos nos mercados financeiros reais.

• Aplicabilidade Prática: Oferece uma ferramenta robusta e fácil de usar (sem necessidade de calibração complexa de parâmetros de salto) para gestores de risco e acadêmicos.
• Avanço Teórico: Estende a teoria de estimadores de volatilidade para cobrir um espectro mais amplo de processos de salto, provando que a função característica empírica é uma ferramenta superior ao thresholding para eliminar o viés de saltos em estimadores de segunda ordem (como alavancagem e volatilidade da volatilidade).
• Futuro: Os autores sugerem que trabalhos futuros devem considerar o ruído de microestrutura e tempos de observação irregulares, que também são características importantes dos dados reais.

Em resumo, o artigo fornece uma metodologia robusta e teoricamente fundamentada para medir a interação entre preços e volatilidade em mercados turbulentos, superando as limitações dos métodos tradicionais frente a saltos de alta frequência.