高频数据下已实现波动率的估计方法改进.docxVIP

高频数据下已实现波动率的估计方法改进

一、引言

随着金融市场数字化进程的加快，高频数据的获取成本大幅降低，包含分钟级、秒级甚至毫秒级交易信息的高频数据，成为捕捉市场动态波动的重要数据源。已实现波动率作为一种基于实际交易数据的波动率估计方法，通过累加高频收益率的平方来近似资产的真实波动率，因无需设定复杂的参数模型、计算过程直观透明，被广泛应用于资产定价、风险管控、投资策略制定等领域（AndersenBollerslev，1998）。

然而，当将传统已实现波动率方法直接应用于高频数据时，会遭遇一系列场景特有的问题：市场微观结构噪声的干扰使估计结果出现严重偏误，非同步交易导致多资产协波动率估计失真，资产价格的跳跃性行为则会混淆连续波动与跳跃波动的边界，降低估计结果的准确性与稳定性。这些问题不仅削弱了已实现波动率的应用价值，也推动学界和业界不断探索更适配高频场景的改进方法。本文将围绕高频数据下已实现波动率估计的核心痛点，系统梳理相关改进思路与方法，探讨其应用场景与未来发展方向，为高频波动率的准确估计提供参考。

二、传统已实现波动率的核心逻辑与高频场景下的局限

（一）传统已实现波动率的基本原理

传统已实现波动率的核心逻辑基于随机过程理论，假设资产价格服从连续扩散过程，当采样频率足够高时，高频收益率的平方和可以收敛到资产的真实积分波动率。具体来说，若将某一交易日划分为多个等间隔的时间区间，