识别非平稳微观结构噪声的无模型方法

形式上，我们定义子网格G（K，K）的索引为K=0，···，K- 每K 1个∈ N+：G（k）=G（k，k）≡tk，tk+K，tk+2K，···，tk+（十亿/千卡-1） K级, 式中，k=0，1，···，k- 1（7）为了分析边缘效应和修改后的TSRV，我们需要更多的观测符号：G0（k）=G0（k，k）≡ {最小G（K，K）+1，最小G（K，K）+2，····，最大G（K，K）}G00（K）=G00（K，K）≡ {最小G（K，K）+1，最小G（K，K）+2，····，最大G（K，K）- 1} G（min）=G（K，min）≡ {最小G（K，1），最小G（K，2），····，最小G（K，K）}G（min）=G（K，max）≡ {最大G（K，1），最大G（K，2），····，最大G（K，K）}（8） 因此，我们有| G（min）|=| G（max）|=K和以下关系sk[K=1G（K）=G（min）[K[K=1G0（K）！=G（min）[K[K=1G00（K）！[G（max）]有时，我们还将用给定网格H中的第i个时间点表示，例如，G（min）i=min G（K，i）=min G（i），G0（K）i=G00（K）i、 为了确定第4节中的一些测试，我们需要引入一些收缩移动窗口和局部采样网格。稍后，我们将固定时间间隔[0，T]（在应用程序中，T可以是5个工作日或更长的时间段）划分为rn（取决于n和rn→ ∞) 子间隔（Ti，Ti+1）]\'s，以便每个（Ti-1，Ti]包含旋钮观测，即Ti=tiKn，0=T≤ T≤ T≤ ··· ≤ Trnand rn=bn/Knc。我们还附带注意到缩小的采样网格{t（i-1） Kn，···，tiKn}超过[Ti-1，Ti]，即| Si |=Kn，Si=G∩[技术信息-1，Ti]，Srni=1Si={Ti∈ G：ti≤ Trn}。2.3假设根据第2.1小节中的模型设置，我们必须做出以下识别假设，以实现可识别性和可估计性：dZt≡ dXt=btdt+σtdWt+Jt（9）边缘效应是非参数高频计量经济学中普遍存在的现象。从口头上讲，边缘效应是“信息在时间间隔的边缘逐渐进入和逐渐退出”，这是由数据的不均匀使用造成的。

虽然不需要，但这一特征在估计中是不可避免的。（7）和（8）中定义的时间网格取决于调谐参数K，该参数应更恰当地写为Kn，然而，为了适应性和易于记谱，在观测记法中，对n的依赖将被抑制。尽管如此，重要的是要记住这种对n的隐含依赖。否则，所有的估算方法都将失效【Jacod等人，2009年】。注意，在识别假设（9）下，我们有{et}t≥0和{t} t型≥0是相同的，噪声与潜在过程之间没有相关性。综上所述，各种结果需要以下假设：假设1。它的分歧部分是^o半鞅。底层模型是（1），{bt}t≥0，{σt}t≥0和{Wt}t≥0已调整，{bt}t≥0和{σt}t≥0是c\'adl\'ag进程和局部有界。假设2。It^o半鞅的跳跃。Jt=RtRRx1{| x|≤1} （u- ν） （ds，dx）+RtRRx1{| x |>1}u（ds，dx），其中u是R+×R上的泊松随机测度，ν是u的可预测补偿器- ν） （（0，t），A）是t>0，A.∈ B（R）。可以写ν（dt，dx）=dt λ（dx），其中λ是r的σ-有限度量。假设3。It^o半鞅的有限跳。在假设2的基础上，假设 R上的函数，使得rrΓ（x）λ（dx）<∞ 其中Γ≥ 1、假设4。可识别隐藏的It^o半鞅。基本过程是（1）；我们有可识别性假设（9）。假设5。有条件的独立性。以潜变量为条件，不同时间的观测Yti是独立的，即，对于i 6=j，ytiytjj。这一假设大大简化了证明。假设6。微观结构效应的局部有界性。l>0，且α>0，M（α，l），使得E|ti |α| F（0）≤ M（α，l），当Xti∈ [-l、 l]，σti∈ （0，l）。假设7。

可能是不规则的观测网格，网格缩小。采样时间可以是不规则的，但与潜在过程无关。网格的网格为零，更具体地说，为max1≤我≤nti=Opn.基于其中一些假设，我们提供了涉及各种随机收敛模式的结果。有必要澄清这些收敛模式的符号：P-→表示概率收敛，L-→ 表示定律收敛（分布收敛，弱收敛），L-s-→ 意味着法律上的稳定收敛。3检验平稳性/非平稳性：第一项检验在本文中，我们考虑检验市场微观结构平稳性的无效假设：H：{t} t型≥0处于静止状态←→ H:{t} t型≥0是否为非平稳？对这一假设的解释是，如果市场参与者知道潜在有效价格，则在不同时间发生的市场微观结构效应是独立的。一些读者可能对“法律中的稳定趋同”这一概念感到陌生，请参阅Myklandand Zhang【2012】或Jacod and Protter【2012】第2章中的定义。我们关注以下问题：o我们能否找到任何非参数测试来判断微观结构噪声的平稳性？o就控制I型错误而言，是否有任何平稳性测试有效它是渐近最优的，因为它的统计功效在渐近中是最大的吗？3.1序曲：非平稳性及其估计补救在本小节中，我们将重点转移到使用受（可能是非平稳的）市场微观结构噪声污染的高频数据估计综合波动率（或随机演算术语中的连续二次变化）。

我们的第一个测试数据就是受此启发。双时间尺度已实现波动率估计器（TSRV）[Zhang等人，2005年]是第一个使用噪声高频金融数据对综合波动率进行一致估计的估计器。在本文中，我们确定[Y，Y]在给定的采样网格上计算了过程{Yt}的已实现方差。TSRV定义如下：\\hX，Xi（T SRV，Kn）T≡ [Y，Y]（平均，Kn）T-n- Kn+1nKn【Y，Y】G（10），其中，根据第2.2小节中引入的符号，【Y，Y】（平均，Kn）=KnPKn-1k=0[Y，Y]G（k）[Y，Y]G=Pni=1（Yti- Yti公司-1） [Y，Y]G（k）=Pti∈G0（k）（Yti- Yti公司-K） ，对于K=0，···，K- 1调谐参数的最佳选择是Kn=O（n），这将导致TSRV的最佳可能顺序。以同样的方式，我们可以定义[, ]G、[, ]（avg，Kn）和[Z，Z]（avg，Kn）T。hX，Xi（T SRV，Kn）设计背后的直觉是次抽样和平均：每个[Y，Y]G（k）是在一个更稀疏的网格上计算的，因此可以减轻微观结构的影响，因此它们的行程[Y，Y]（avg，Kn）T应该更接近hX，XiT；第二项[Y，Y]很好地代表了噪声方差，因此它可以设置由于[Y，Y]（平均值，Kn）T中的噪声而产生的偏差。TSRV最初是在微观结构噪声为静态的设置下设计的；然而，在非平稳微观结构噪声下，由于以下引理，TSRV有一个由边缘效应产生的偏差项：引理1。在假设1，3，4，5，6，7下，我们有[Y，Y]（平均，Kn）T- [Z，Z]（平均值，Kn）T=KnKXk=1Xti∈G00（k）gti+KnXti∈G（最小）gti+KnXti∈G（max）gti |{z}偏差in[Y，Y]（avg，K）t由于非平稳噪声+op（1）（11），应用中的一个警告是选择K，确保n- 为了减少边缘效应，bn/KncK非常小。从引理1中，我们可以看到每个时间点的噪声对平均实现方差[Y，Y]（平均值，Kn）T中的偏差的贡献并不相等。

在第一个和最后一个KNS采样点中，噪声的条件二阶矩乘以系数kn，相反，采样点中间的噪声条件二阶矩乘以系数kn。然而，噪声校正项[Y，Y]Gin（10）的作用就好像gti对[Z，Z]（平均值，Kn）T中的噪声分量的贡献是一样的。对TSR和前两次测试的修正是由时间间隔[0，T]两侧信息利用的不均匀性所驱动的。据我们所知，Kalnina和Linton【2008】是第一项考虑到TSRV中由于非平稳微观结构噪声而产生的边缘效应的研究，他们通过【Y，Y】（平均值，Kn）T重新定义了TSRV-n-Kn+1nKn[Y，Y]{n}T其中[Y，Y]{n}T=n-KnXi=1（Yti+1- Yti）+n-1Xi=Kn（Yti+1- Yti）！在一个包含昼间和内生测量误差的参数模型下。在下文中，我们使用这种设计来解决第2节给出的一般隐It^o半鞅模型下的非平稳性问题。在本文中，我们将由Kalnina和Linton【2008】中已实现变量的修改版本组成的新TSRV称为“样本加权TSRV”，定义为\\hX，Xi（W T SRV，Kn）T=【Y，Y】（avg，Kn）T-Kn[Y，Y]{n}t在第2节的一般模型下，样本加权TSRV具有以下渐近性质：定理1。假设在有限的时间间隔[0，T]内有n个观测值。

当wetake Kn=cn2/3，对于某些常数c，在假设1，3，4，5，6，7下，我们有1/6\\hX，Xi（W T SRV，Kn）T- [Z，Z]TL-s-→ 明尼苏达州0，T cZTgtdt+4cTZTσtdt（12） 该定理告诉我们，非平稳噪声环境下的样本加权TSRV与平稳噪声环境下的传统TSRV具有相同的渐近性质【Zhanget al.，2005，Li and Mykland，2007，Ait-Sahalia et al.，2011】，因为渐近分布和收敛速度保持不变；换句话说，样本加权TSRV的渐近性质对于非平稳市场微观结构噪声是不变的。Kalnina和Linton【2008】所依据的模型为：XT=utdt+σtdWtYti=Xti+ti公司ti=uti+vtiuti=Δγn（Wti- Wti公司-1） vti=m（ti）+n-αω（ti）eti，α∈ [0，1/2）其中，eX，i.i.d.，E（E）=0.3.2第一个测试N（Y，Kn）假设其为真，原始TSRV和样本加权TSRV的渐近分布均为混合正态分布。因此，两个不同版本之间差异的渐近分布（经过适当缩放后）也是混合常态。因此，我们可以基于其差异D（Y，Kn）nT的渐近行为来测试空HBa=√千牛\\hX，Xi（W T SRV，Kn）T-\\hX，Xi（T SRV，Kn）T, 注意d（Y，Kn）nT=n- 2（Kn- 1） 2nK1/2n[Y，Y]G（最小）+n- 2（Kn- 1） 2nK1/2n[Y，Y]G（最大值）-千牛- 1nK1/2n[Y，Y]G/（G（最小值）∪G（max））（13）第一个检验统计量N（Y，Kn）nT设计如下：N（Y，Kn）nT≡D（Y，Kn）nTqn【Y；4】G-2n[Y，Y]G，if[Y；4]G-2n[Y，Y]G6=00，如果[Y；4]G-2n[Y，Y]G=0（14），其中[Y；4]G=Pni=1（Yti- Yti公司-1） 是基于观察Yti的样本四次性。我们的第一个检验统计量具有以下渐近性质：定理2。

如果噪声过程是平稳的，在假设1、2、5、6、7下，只要Kn→ ∞ 但Kn=o（n），n（Y，Kn）nTL-→ N（0，1）（15）我们使用该结果来测试第9.2小节（图9）中市场微观结构噪声的平稳性。检验统计量的分母（15），namelyn[Y；4]G-2n（[Y，Y]G）实际上是2E的麻醉剂(|F（0））。（17）中正式介绍了这一点，它不仅用于第一次测试统计，也用于第4.2小节中的第二次测试统计。它本身是有趣的，因此我们在这里给出结果：引理2。如果我们定义过程ht（ω（0））≡ E类(t | F（0））（ω（0）），那么在假设1，2，5，6，7下，我们有[Y；4]G=TZThtdt+TZTgtdt+Op√n（16） 备注1。基于引理2，如果噪声是平稳的，2n[Y，Y，Y，Y]G | F（0）P-→ E类(|F（0））+E类(|F（0））, 所以对E的自然估计(|F（0））是\\E(|F（0））=2n[Y；4]G-4n【Y，Y】G（17）备注2。现在，我们研究了微观结构非平稳时我们的第一个测试统计数据的行为。由于2n[Y，Y]G=TRTgtdt+op（1），因此(|F（0））P-→ DT公司≡E类(|F（0））{t} t型≥0is stationaryTRThtdt+TRTgtdt-TRTgtdt{t} t型≥0是非平稳的（18），因为我们假设噪声方差的局部有界性，DTI几乎可以确定，与噪声平稳性无关。根据第11.3小节中的证明，我们知道（Y，Kn）nT=pKn×g（开始）+g（结束）- 2g（中间）DT+Op（1）（19），其中G（开始）=KnPti∈G（最大）gtig（结束）=KnPti∈G（最大）gtig（中间）=n+1-2KnPKnk=1Pti∈Gkgti（20），因为Kn=O氮气/3在我们的设置中，当噪声不稳定时，N（Y，Kn）Texplodes。因此，该测试的II型误差可渐近忽略不计。根据定理2和备注2，我们得到了推论1。假设{gt}t≥0和{ht}t≥c\'adl\'ag处理在[0，T]上，0，T几乎是连续点，另外我们有假设1，2，5，6，7，和letKn→ ∞, 千牛/牛→ 0

当噪声过程为非平稳时，N（Y，Kn）nT-pKn×g+gT-TRTgtdtTRThtdt+TRTgtdt-TRTgtdtL-→ N（0，1）（21）关于RTHTDT+3RTgtdt的事件-TRTgtdt6=0。备注3。测试统计量N（Y，Kn）Nt可以通过网格G（min），G（max）的两个边缘和网格G/（G（min）的中间揭示市场微观结构噪声中潜在的非平稳性∪G（最大值））。我们可以证明，在后面的小节中，有一些方案不仅能够反映边缘和中间之间的异质性，而且能够捕获数据中非平稳性的几乎所有信息，然而，不可避免地需要更多的计算成本。我们将在第4节中讨论这些方案。术语“c\'adl\'ag”（法语中“continue droite，limite gauche”的首字母缩写）描述了一个函数的性质，该函数到处都是右连续的，到处都是左极限，例如，布朗运动（样本路径几乎是连续的）、L\'evy过程（可数个跳跃不连续）。4第二次和第三次测试4.1总体思路第二次和第三次测试旨在有效利用数据中包含的与噪声平稳性相关的所有信息，而不是第一次测试N（Y，Kn）N（见备注3）。第二次和第三次测试的基本思想是在子区间进行局部测试，然后合并所有局部测试的证据。为了理清思路，回顾第2.2小节中的观测符号，我们将固定时间间隔[0，T]划分为rnsub间隔（Ti，Ti+1）]\'s，以便每个（Ti-1，Ti]包含SKNObservations。

与第一个测试统计的定义类似，但第二个测试使用移动窗口形式（Ti）上定义的局部测试统计，而不是整个区间[0，T-1，Ti-1+序号] [0，T]具有合适的窗口长度sn（根据子区间数（Ti，Ti+1）]\'s）：D（Y，Kn，sn）ni≡（序号- 2） Kn+22snK3/2n【Y，Y】Gi+【Y，Y】Gi+sn-千牛- 1snK3/2n【Y，Y】∪序号-1k=2Gi+k（22）然后，我们使用重叠窗口来计算数量U（Y，Kn，U）nT，这取决于过程Y、统计实验阶段n、调整参数Knandsn<jnKnk和数量U>0：U（Y，Kn，sn，U）nT≡bn/Knc- sn+10亿/千立方英尺-sn+1Xi=1 | D（Y，Kn，sn）ni | u（23）同样，我们也基于非重叠窗口定义数量：u（Y，Kn，sn，u）nT≡bn/（snKn）cbn/（snKn）cXi=1D（Y，Kn）（i）-1） 序号+1u（24）4.2第二个测试V（Y，Kn，sn，2）nT我们设计了第二个测试统计量V（Y，Kn，sn，2）nT≡（pn/KnU（Y，Kn，sn，2）nT-n【Y；4】克-2n【Y，Y】G/bη，如果bη6=00，如果bη=0（25），其中bη=n[Y；4]G-关于V（Y，Kn，2）nT的渐近性质，我们有以下结果：定理3。（V（Y，Kn，sn，2）nTunder the null）在假设1、2、5、6、7下，假设噪声过程是平稳的，并选择调整参数，使Kn/n→ 0，Kn/n1/3→ ∞, 序号→ ∞, 序号：。然后检验统计量V（Y，Kn，2）n具有以下渐近性质：V（Y，Kn，sn，2）nTL-→ N（0，1）（27）当E(|F）- E类(|F） E类(|F） +E(|F） 6=0。我们使用该结果来测试第9.2小节（图10）中市场微观结构噪声的平稳性。我们还可以根据不重叠的间隔V（Y，Kn，sn，2）nT确定另一个数量V（Y，Kn，sn，2）nT≡（pn/（snKn）U（Y，Kn，sn，2）nT-n【Y；4】克-2n【Y，Y】G/bη，如果bη6=00，如果bη=0根据定理3，可以导出V（Y，Kn，sn，2）Nt的渐近性质。推论2。

在与定理3相同的条件下，假设噪声是平稳的：V（Y，Kn，sn，2）nTL-→ N（0，1）（28）当E(|F）- E类(|F） E类(|F） +E(|F） 6=0。备注4。当我们将推论2与定理3进行比较时，有点令人惊讶，因为U（Y，Kn，sn，2）nT和U（Y，Kn，sn，2）n的极限混合法线具有相同的渐近方差，可由bη一致估计，尽管前者的收敛速度较低。然而，结果仅证明了极限行为。V（Y，Kn，sn，2）n所需的计算量较少，而V（Y，Kn，sn，2）n由于其较高的收敛速度，在渐近逼近方面更精确。4.3第三次测试v（Y，Kn，2）n第二次测试统计（25）中存在中度边缘效应（来自第一次和最后一次snKnobservations）。受关于第一个检验统计量（14）的备注3的启发，我们可以设计一个补充检验统计量V（Y，Kn，2）n（由（30）定义），当噪声平稳时，该统计量与V（Y，Kn，sn，2）n具有相同的渐近性质，但在有限样本中具有较小的边缘效应。然而，我们应该在工具箱中保留V（Y，Kn，sn，2）-虽然V（Y，Kn，2）在噪声平稳时不能提供更好的近似值，但我们会看到V（Y，Kn，sn，2）nhas的统计能力更强，如图1所示。第三个检验统计量的关键成分是u（Y，Kn，2）nT≡40亿新西兰元/Knc-1Xi=1【Y，Y】Si+1- [是，是]是（29）其中每侧标注收缩采样网格{t（i-1） Kn，···，tiKn}超过[Ti-1，Ti）（重新调用第2.2小节中的观测符号，[Y，Y]Si是网格Si上实现的过程方差。我们的第三个测试统计数据定义为asV（Y，Kn，2）nT≡（pn/KnU（Y，Kn，2）nT-n【Y；4】克-2n【Y，Y】G/bη，如果bη6=00，如果bη=0（30），其中bη在（26）中定义。定理4。