已实现二次变差

玻尔百科

核心要点

已实现二次变差衡量了如股票价格等随机过程的“粗糙度”，为利用高频数据估计波动率提供了一种强有力的方法。
为将真实的连续波动率与市场跳跃和微观结构噪声的影响区分开来，必须使用如双幂次变差和噪声校正等先进方法。
这一概念是现代金融学的基础，使得方差互换的定价、市场的详细取证分析以及过程内在时间的衡量成为可能。
在极短的时间间隔内，价格变动的随机部分（与时间的平方根成正比）完全主导了可预测的漂移部分。

引言

在金融世界里，资产价格很少沿平滑、可预测的线条移动。相反，它们描绘出一条锯齿状、看似混乱的路径。我们如何量化这种混乱的“曲折性”或波动率？虽然经典微积分难以处理此类粗糙路径，但随机过程领域提供了一个出人意料的优雅解决方案。本文通过引入已实现二次变差的概念，来应对衡量瞬时金融风险这一根本性挑战。

本文将引导您探索这个引人入胜的主题。在第一部分 原理与机制 中，我们将探讨一个反直觉的数学思想，它使我们能够衡量随机波动的能量，以及现实世界的现象（如价格跳跃和数据噪声）如何使这种衡量变得复杂。随后，在 应用与跨学科联系 部分，我们将发现这个抽象概念如何变成一个具体而宝贵的工具，从为复杂的金融衍生品定价到创建高频“显微镜”来剖析市场行为的基因，其应用无所不包。

原理与机制

假设您是19世纪的一位物理学家，掌握着Newton和Leibniz的微积分。您的世界是由平滑、可预测的曲线构成的。您可以计算行星的轨迹、炮弹的弧线、山丘的斜率。您工具箱中的一个关键思想是，如果对任何平滑曲线进行足够大的放大，它看起来就像一条直线。这使您可以通过对微小的直线段求和来测量其长度。现在，如果您试图通过对这些微小线段上变化的平方求和来测量“总曲折距离”，会发生什么呢？

让我们试试看。对于一个平滑函数 $f(t)$ ，在一个小时间步长 $\Delta t$ 内的变化约为 $\Delta f \approx f'(t) \Delta t$ 。这个变化的平方是 $(\Delta f)^2 \approx (f'(t))^2 (\Delta t)^2$ 。如果我们在总时间 $T$ 内对这些平方变化求和，我们会得到一个与 $(\Delta t)^2$ 成正比的项的和。当我们让标尺越来越精细（即令 $\Delta t \to 0$ ），这个总和（大约是 $(\text{某个量}) \times \Delta t$ ）将不可避免地趋近于零。对于微积分的世界来说，平方曲折的总和在极限情况下是零。

但在20世纪初，一种新的路径登上了舞台：水中花粉粒的锯齿状、混乱的舞蹈，我们现在称之为布朗运动。如果你把这条路径放在显微镜下，它不会变得更平滑，反而会揭示出更多狂乱、嵌套的曲折。它在所有尺度上都是“粗糙”的。如果你用19世纪的逻辑来计算这条路径的平方变化之和，你会大吃一惊。这个和并不会消失，而是收敛到一个稳定、非零的数值。这个令人惊讶的结果标志着与经典微积分的平滑世界的一次根本性背离，也标志着我们进入了随机过程的领域。它所收敛到的量就是已实现二次变差，一个用于描述粗糙度的强大新工具。

摆动的主导地位

为什么会发生这种情况？这些随机路径中隐藏着什么秘密成分，使其平方变化不会消失于无形？答案在于一个优美而微妙的标度律。

让我们想象一下，不是将波动的资产价格建模为平滑曲线，而是建模为离散的随机游走，这是一个更为现实的起点。在一个微小的时间步长 $\Delta t$ 内，价格变化 $\Delta P$ 可能有两个组成部分：一个微小、可预测的推动力，称为漂移，以及一个随机的震动，称为扩散。我们可以将其写为：

\Delta P = \mu \Delta t + \sigma \sqrt{\Delta t} Z

这里， $\mu$ 代表稳定漂移的强度，就像一股将资产价格推向某个方向的温和水流。第二项是随机部分。 $\sigma$ 是波动率，衡量随机波动的幅度，而 $Z$ 是一个随机变量，比如掷硬币的结果（ $+1$ 或 $-1$ ）。

注意时间出现的关键差异：漂移与 $\Delta t$ 成正比，而随机震动与 $\sqrt{\Delta t}$ 成正比。对于一个非常小的时间步长，比如 $\Delta t = 0.000001$ ，其平方根是 $\sqrt{\Delta t} = 0.001$ ，这是一个大一千倍的数字！这意味着，在非常短的时间范围内，随机波动完全主导了可预测的漂移。

现在，让我们看看对这个增量进行平方会发生什么：

(\Delta P)^2 = (\mu \Delta t)^2 + 2(\mu \Delta t)(\sigma \sqrt{\Delta t} Z) + (\sigma \sqrt{\Delta t} Z)^2

第一项是 $(\mu^2)(\Delta t)^2$ 。最后一项是 $(\sigma^2 \Delta t)Z^2$ 。因为 $Z$ 只是 $+1$ 或 $-1$ ，所以 $Z^2$ 总是 $1$ 。交叉项与 $(\Delta t)^{3/2}$ 成正比。当 $\Delta t$ 极其微小时， $\sigma^2 \Delta t$ 这一项远远大于其他两项。漂移的贡献在平方后变得完全可以忽略不计。

因此，当我们对平方变化求和以计算已实现二次变差时，我们本质上只是在对主导部分求和：

Q_N = \sum_{i=1}^N (\Delta P_i)^2 \approx \sum_{i=1}^N \sigma^2 \Delta t

在总时间段 $T$ 内，所有微小时间步长 $\Delta t$ 的总和是多少？就是 $T$ 本身！所以，奇迹般地，这个和收敛到一个确定性的值：

\lim_{N\to\infty} Q_N = \sigma^2 T

这是一个深刻的结果。通过简单地高频观察一条路径，对其变化的平方求和，我们就构建了一个“波动率计”。它测量了积分方差 $(\sigma^2 T)$ ，而我们无需知道任何关于漂移 $(\mu)$ 的信息，而漂移通常是极难估计的。这个简单的计算分离出了随机波动的“能量”。请注意，它确定了 $\sigma^2$ ，告诉我们波动率的幅度，但它无法告诉我们 $\sigma$ 的符号，按照惯例， $\sigma$ 通常被认为是正的。

现实世界的反击：跳跃与噪声

这个“波动率计”似乎完美得有些不真实。事实证明，自然界和金融市场还有一些伎俩。

跳跃问题

资产价格不仅会摆动；它们有时还会跳跃。一则意外的新闻公告、一个政治事件或一项技术突破都可能导致价格几乎瞬间发生变化。我们的模型需要考虑这一点。一个更现实的过程可能看起来像这样：

X_t = \text{(漂移)} + \text{(连续摆动)} + J_t

其中 $J_t$ 是一个代表突然跳跃的过程。

现在我们的已实现二次变差会怎样？如果在我们的一个微小时间间隔内发生跳跃，该区间的价格平方变化 $(\Delta X_i)^2$ 将会巨大，由跳跃幅度的平方所主导。这个跳跃幅度不会随着我们减小 $\Delta t$ 而缩小。因此，我们的已实现二次变差 $\sum (\Delta X_i)^2$ 不再仅仅衡量连续波动率。它收敛到积分方差与所有发生的跳跃幅度平方之和的总和：

\sum (\Delta X_i)^2 \xrightarrow{p} \int_0^T \sigma_t^2 dt + \sum_{0 \lt s \le T} (\Delta X_s)^2

我们漂亮的波动率计现在被跳跃“污染”了。我们如何将连续的、日常的紧张情绪与罕见的、爆发性的事件分离开来？解决方案是一个被称为双幂次变差的数学洞见的杰作。

我们不再对每个增量进行平方，而是将相邻增量的绝对值相乘：

\text{双幂次变差 (BV)} = c \sum_{i=2}^n |\Delta X_i| |\Delta X_{i-1}|

（其中 $c = \frac{\pi}{2}$ 是一个由正态分布性质产生的归一化常数）。

奇妙之处在于：考虑一个在区间 $i$ 发生的大跳跃。 $|\Delta X_i|$ 将会很大，数量级为 $O(1)$ 。然而，有限活动跳跃过程意味着相邻的区间 $i-1$ 极不可能包含另一次跳跃。所以， $|\Delta X_{i-1}|$ 将只是一个正常的、连续的摆动，大小为 $O(\sqrt{\Delta t})$ 。它们的乘积数量级为 $O(1) \times O(\sqrt{\Delta t}) = O(\sqrt{\Delta t})$ 。随着我们增加采样频率， $\Delta t$ 趋向于零，这个受跳跃污染的乘积对总和的贡献也随之消失！跳跃的影响实际上被其安静的邻居“扼杀”了。双幂次变差过滤掉了跳跃，使我们能够再次分离和测量过程连续部分的积分方差。

观察者效应：噪声的悖论

高频数据中还潜伏着另一个恶魔。在现实世界中，我们永远观察不到“真实”价格 $X_t$ 。我们观察到的是一个被市场微观结构噪声污染的价格 $Y_t$ ，这些微小的误差源于交易机制，比如买卖价差。我们的观察值是 $Y_t = X_t + \varepsilon_t$ ，其中 $\varepsilon_t$ 是某种随机噪声。

这似乎无害，但却导致了一个惊人的悖论。让我们计算我们有噪声的观察值的已实现二次变差 $\sum (Y_{t_i} - Y_{t_{i-1}})^2$ 。观察到的增量是：

Y_{t_i} - Y_{t_{i-1}} = (X_{t_i} - X_{t_{i-1}}) + (\varepsilon_i - \varepsilon_{i-1})

当我们对这个式子平方并取期望时，由于噪声和真实价格过程的独立性，我们得到：

\mathbb{E}[(Y_{t_i} - Y_{t_{i-1}})^2] \approx \mathbb{E}[(\Delta X_i)^2] + \mathbb{E}[(\varepsilon_i - \varepsilon_{i-1})^2] = \sigma^2\Delta t + 2\eta^2

其中 $\eta^2$ 是噪声的方差。对所有 $n$ 个区间求和，得到总的期望已实现变差：

\mathbb{E}[\text{RV}(Y)] = \sum_{i=1}^n (\sigma^2\Delta t + 2\eta^2) = \sigma^2 T + 2n\eta^2

看看最后一项： $2n\eta^2$ 。为了更好地估计二次变差，我们的直觉告诉我们应该更频繁地采样，这意味着增大 $n$ 。但随着我们增加 $n$ ，来自噪声的偏差急剧增大！我们试图通过放大来获得更清晰图像的努力，反而增加了越来越多的失真。这是一种惊人的观察者效应。

我们被打败了吗？还没有。虽然噪声本身在每个时刻之间是独立的，但它在观察到的回报中引入了一种可预测的模式。具体来说，它导致相邻回报之间存在负相关。我们可以测量这种相关性来得到噪声方差的精确估计值 $\widehat{\eta}^2$ 。一旦我们有了这个值，我们就可以简单地修正我们原始的有偏估计：

\widehat{[X,X]}_T = \text{RV}(Y) - 2n\widehat{\eta}^2

通过理解噪声的结构，我们可以外科手术般地移除其影响，从看似压倒性的失真中夺回真实的信号。

已实现二次变差的旅程，从一个简单的理论奇想到现代数据分析的复杂工具，揭示了一个美丽的科学叙事。它展示了一个简单的想法如何被用来理解世界的深层属性，现实世界的复杂性如何挑战我们简单的模型，以及人类的智慧如何能一次又一次地设计出巧妙的方法来看透噪声。

应用与跨学科联系

在我们之前的讨论中，我们探讨了一个相当奇特而绝妙的想法：许多随机过程（如股票价格）的路径是如此锯齿状和狂野，以至于它们的长度是无限的。然而，我们找到了一种不同的、更微妙的方式来衡量它们的旅程——二次变差。您可能会想，“这仅仅是一个数学上的奇谈吗？” 这是一个合理的问题。毕竟，如果一个概念只存在于黑板上，它又有什么用呢？

奇妙的答案是，二次变差远非一个纯粹的抽象概念。它是一个深刻而实用的工具，为科学、工程，尤其是金融学开辟了新的前沿。它使我们能够为复杂的金融工具定价，构建高频显微镜来剖析市场行为，甚至揭示随机过程隐藏的、内在的“时钟”。让我们踏上一段旅程，看看这个独特的粗糙度度量如何转化为现实世界的洞察力和创新。

交易动荡：方差互换与波动率互换

想象一下，您是一位投资组合经理。您主要关心的不仅仅是市场上涨还是下跌，而是其运动的混乱程度。一个平稳、缓慢上升的市场与一个剧烈波动的市场是完全不同的两种情况，即使它们最终到达了同一个位置。这种“混乱”或波动率本身就是一种风险来源。如果您能对冲这种风险呢？如果您能对未来的动荡本身下注呢？

方差互换应运而生，这种金融工具的存在本身就是二次变差力量的证明。方差互换是一种合约，其支付直接与资产未来的已实现方差挂钩。对于价格为 $S_t$ 、瞬时方差为 $v_t = \sigma_t^2$ 的资产，其支付基于合约期内的总积分方差 $\int_0^T v_t \, dt$ 。

但是在合约结束时，这个值是如何确定的呢？理论上，它是一个对连续路径的积分。在实践中，金融界通过计算高频价格数据中的已实现二次变差来结算这份合约。在微小时间间隔内对数收益率的平方和为该积分提供了一个稳健的估计。因此，我们建立的抽象概念变成了决定财富得失的具体数字。

然而，真正美妙的不仅在于我们可以衡量过去的方差，还在于我们今天就能确定未来方差的公允价格。金融理论提供了一个令人惊叹的优雅复制论证：对未来方差的索取权价值，可以通过持有一个特定的、由一系列不同行权价的普通期权构成的静态组合，并辅以对标的资产的动态交易策略来完美合成。这意味着预期的未来动荡已经隐含地编码在您今天屏幕上能看到的期权价格中。

当然，这个未来方差的“公允价格”关键取决于你对世界的模型。在一个简单的 Black-Scholes 世界中，波动率被假定为一个常数 $\sigma$ ，预期的未来方差就是 $\sigma^2$ 。但在一个更现实的随机波动率模型中，波动率本身是一个随机的、均值回归的过程，计算预期的未来方差需要求解模型的动态，以找到预期方差路径的时间平均值。这使得这些互换的定价成为一个丰富而富有挑战性的领域，而我们对二次变差的理解在其中至关重要。

高频显微镜：剖析市场DNA

高频交易的出现为科学家们提供了前所未有的海量数据——每天记录数百万次的价格。有了这些数据，已实现二次变差就成了一台强大的显微镜，用以检验市场运动的根本结构。它使我们能够超越简单地测量波动率，开始提出关于价格过程本质或“DNA”的更深层次问题。

最基本的问题之一是价格运动是否总是连续的。我们知道，在有重大公司公告或地缘政治冲击的日子里，价格可以从一个水平“跳跃”到另一个水平。我们如何区分这种不连续的跳跃和一次非常迅速但连续的移动呢？

答案在于比较不同类型的已实现变差。标准的已实现二次变差（RQV），即收益率平方和 $\sum r_i^2$ ，对平滑移动和跳跃都很敏感。然而，计量经济学家们巧妙地设计了其他度量，如已实现双幂次变差（RBV），它涉及相邻收益率乘积的和 $\sum |r_i| |r_{i-1}|$ 。这种巧妙的构造对跳跃具有稳健性；它主要测量过程连续部分的变差。通过比较 RQV 和 RBV，我们可以构建一个检验跳跃是否存在的统计测试。如果比率 $\text{RQV}/\text{RBV}$ 显著大于一，这就是价格路径被跳跃污染的明确信号。

我们甚至可以进行更深入的探讨。这些跳跃是巨大而罕见的，还是频繁而微小的？这是一个关于“跳跃活动性”的问题。通过使用“截断”变差——系统地忽略大于某个阈值的收益率——我们实际上可以估计出表征跳跃幅度分布的参数，从而揭示市场不连续性的本质。此外，通过比较不同次幂的收益率（例如，幂次变差与二次变差），我们甚至可以构建检验，以确定波动率的连续部分是恒定的，还是依赖于价格水平本身。这些工具都源于对微小回报的函数求和的思想，赋予了我们对金融数据进行取证分析的非凡能力。

金融之外：随机世界的节奏

已实现二次变差的用途并不仅限于金融塔楼。因为它为瞬时波动提供了一个稳健的度量，它可以作为连接金融数据与其他领域的桥梁。

考虑计算语言学和情绪分析领域。每天，新闻文章、博客帖子和社交媒体的讨论都会围绕一家公司形成一个“情绪”景观。我们能将这个人类表达的世界与股票市场的冷酷数字联系起来吗？是的，我们可以。通过从日内回报中计算每日已实现波动率——这是二次变差原理的直接应用——我们为每日市场动荡创建了一个数值时间序列。然后，我们可以测量该波动率序列与从新闻分析中得出的平均情绪得分时间序列之间的统计相关性。这使我们能够凭经验检验诸如“负面新闻情绪是否会导致更高的股票波动率？”之类的假设。这是一个美丽的例子，说明了随机微积分的一个概念如何促进真正的跨学科研究。

然而，也许最深刻的应用将我们带回时间的本质。想象一个股票市场。有些日子风平浪静，价格几乎不动。而在另一些日子里，一连串的消息可能导致一周的活动量被压缩到一个小时内。就好像市场有自己的内部“商业时间”，相对于墙上时钟的稳定滴答声，它会加速和减速。

事实证明，二次变差正是这种内在时间的度量。对于任何连续鞅过程，其二次变差充当其自然时钟。过程的每一次摇摆和抖动都使这个时钟向前推进。一个时期的总二次变差不仅仅是波动率的度量；它是在过程自身参照系中“发生了多少事”的度量。

这不仅仅是一个哲学比喻。如果我们观察到一个过程 $Y_t$ ，并相信它是另一个过程 $X$ 在一个隐藏的、时快时慢的时钟 $A_t$ 上运行（因此 $Y_t = X_{A_t}$ ），我们实际上可以重构这个隐藏的时间！ $Y$ 的已实现二次变差与时钟的增量 $\Delta A_t$ 密切相关。通过对 $Y$ 的高频观察，我们基本上可以反转这种关系，并构建一个估计器来揭示总共流逝的内在时间 $A_t$ 。这是一个惊人的想法：通过仔细观察一个过程，我们可以测量它自己私有时间的流逝。这为二次变差带来了深刻的、近乎物理的直觉。它是衡量一次随机旅程生命周期的标尺。

从金融衍生品的具体定价到内在时间的哲学概念，二次变差证明了自己是一个不可或缺的概念。它是一个通用工具，将随机路径看似混乱和不规则的抖动转化为一个可测量的、有意义的和有价值的量，帮助我们理解、预测和驾驭我们不确定的世界。