跳转至

Nonparametric Test for Rough Volatility

作者: Carsten H. Chong, Viktor Todorov
来源: Journal of the American Statistical Association
主题: 数理统计 / 假设检验
相关性: 6/10
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么： 这个子方向要解决的根本统计问题是：在连续时间金融模型中，资产价格的波动率过程究竟是服从经典的半鞅模型（路径具有有限的二次变差，即波动率本身相对平滑），还是服从所谓的"粗糙"（rough）过程（路径具有无限的二次变差，即波动率在极小时间尺度上呈现剧烈震荡与负自相关）。当前该方向的成熟度处于"理论检验工具刚建立、实证应用正在铺开"的阶段：粗糙波动率的参数化模型（如 fractional Brownian motion with Hurst parameter \(H < 1/2\)）已被大量实证文献支持，但非参数的、具有严格渐近保证的假设检验框架直到本文才出现。

发展脉络： - 奠基工作：Comte & Renault (1998) 最早将 fractional Brownian motion 引入连续时间金融波动率建模，开启了"长记忆 / 分数阶"波动率的讨论，但此时 \(H\) 的范围包含 \(>1/2\)（长记忆），尚未聚焦到"粗糙"（\(H<1/2\)）的特异性。 - 主要进展（参数化实证浪潮）：Gatheral, Jaisson & Rosenbaum (2018) 通过对 realized variance 的 autocorrelation 函数做 log-log 回归，发现 \(H \approx 0.1\)，宣称波动率是粗糙的。这一路线高度依赖参数化假设（fBm 模型），且没有构造形式化的假设检验（无 size/power 控制）。同时，Bollerslev, Patton & Quaedvlieg (2016) 尝试用"风险溢价"解释实证中的负自相关，暗示粗糙证据可能是模型误设的伪象。 - 当前 frontier（非参数检验）：在本文之前，非参数检验要么只针对价格过程的粗糙性（如 Aït-Sahalia & Jacod 2014 用 jump activity index 检验价格的无限变差，但这检验的是价格而非波动率），要么依赖不现实的假设（如 Jacod & Podolskij 2013 的 volatility modulated jump model 需要波动率本身是半鞅）。作者在 intro 中明确指出缺口："existing tests are either for roughness of prices, not volatility, or rely on parametric assumptions / semimartingale assumptions on volatility itself"。 - 本文的位置：填补"波动率粗糙性非参数检验"的空白，提供零假设为"波动率是半鞅"、备择为"波动率粗糙"的可行 CLT 与 size/power 严格控制的检验，且允许跳跃与微观结构噪声。

子线索聚类： 1. 参数化粗糙建模与实证：Gatheral et al. (2018), Bennedsen et al. (2022) 等。这一簇用 fBm 或分数阶模型拟合 \(H<1/2\)，核心工具是 log-log 回归或 Whittle 估计；瓶颈是缺乏非参数识别与检验，且无法排除"负自相关来自风险溢价而非粗糙"的替代解释。 2. 价格过程的粗糙 / 跳跃检验：Aït-Sahalia & Jacod (2014) 等。这一簇检验价格路径的 activity index（是否无限变差），核心工具是高频增量幂变差的极限理论；瓶颈是它检验的是价格过程本身，而非驱动价格的波动率过程。 3. 高频波动率估计的极限理论：Jacod & Protter (2012), Jacod & Podolskij (2013), Mykland & Zhang (2017) 等。这一簇为半鞅波动率下的 realized variance / spot volatility 估计建立 CLT；瓶颈是其理论框架假设波动率本身是半鞅（有限二次变差），一旦波动率粗糙，这些 CLT 的 rate 与极限分布均失效。

这个方向在追问的核心问题： 1. 如何非参数地识别波动率的粗糙性：不依赖 fBm 等参数假设，仅从高频数据中区分"波动率是半鞅"与"波动率是粗糙过程"。 2. 检验的渐近保证：在零假设（半鞅波动率）下能否构造 feasible CLT（控制 size），在备择（粗糙波动率）下能否证明 power 衰减率或 power=1。 3. 现实数据干扰的稳健性：跳跃（任意活跃度）与微观结构噪声是否会使检验失效或需要额外调整。

⚠️ 作者的 framing： - 作者把缺口 frame 成："现有检验要么针对价格而非波动率，要么依赖参数化或半鞅假设，而我们需要一个直接检验波动率路径变差性质的非参数检验，且必须稳健到跳跃与噪声"。这让本文的"基于波动率增量自协方差的检验 + feasible CLT + 跳跃/噪声稳健"成为显然的下一步。 - 被淡化的竞争路线：Bollerslev et al. (2016) 提出的"风险溢价导致负自相关"解释——如果负自相关不是粗糙的信号而是风险溢价的伪象，本文检验的备择假设就包含了"非粗糙但负自相关"的过程，作者通过将备择假设定义为"波动率增量负自相关"而非严格"粗糙过程"来回避这一争议，但 intro 中未深入讨论这一替代解释对检验结论的影响。 - 明显该被引却未出现的：半参数效率界与 minimax 检验理论（如 Ingster 1993, Spokoiny 1996 的非参数假设检验 minimax rate）——本文构造了一个 power=1 的检验，但未讨论局部备择下的 minimax 可分性率或效率界，这是非参数检验理论的标准参照，缺失意味着无法判断该检验在局部备择下是否 rate-optimal。

张力： 未见明显对立引用。Gatheral et al. (2018) 与 Bollerslev et al. (2016) 对"负自相关来源"有不同解释（粗糙 vs 风险溢价），但作者通过宽泛的备择假设（负自相关）绕过了这一对立，而非在理论上解决它。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

  • 符号与指标：
  • \(n\)：日内高频观测数（一天内的采样点数）。
  • \(\Delta_n = 1/n\)：采样步长（一天内等间隔采样）。
  • \(i = 1, \ldots, n\)：日内高频时间索引。
  • \(k_n\)：局部窗口宽度（用于估计 spot volatility 的滞后阶数），随 \(n \to \infty\) 满足 \(k_n \to \infty\), \(k_n \Delta_n \to 0\)。
  • \(L\)：自协方差的滞后阶数（检验统计量中考察的波动率增量自协方差的阶数），固定常数（如 \(L=1\)）。
  • \(H\)：Hurst 参数（fBm 模型下，\(H<1/2\) 对应粗糙，\(H=1/2\) 对应标准布朗运动）。
  • \(\sigma_t\)：真实 spot volatility 过程（随机过程，不可直接观测）。
  • \(\hat{\sigma}_i^2\)：从高频数据构造的 spot volatility 估计（可计算量）。
  • \(\hat{V}_{n,L}\)：本文的核心检验统计量（波动率增量的样本自协方差）。
  • \(Z_t\)：标准布朗运动。
  • \(W_t\)：另一独立布朗运动（驱动波动率）。
  • \(N_t\)：跳跃过程（补偿 Poisson 过程或一般跳跃过程）。

  • \(\epsilon_i\)：微观结构噪声（i.i.d.，与价格过程独立，方差 \(\eta^2\)）。

  • 模型（数据生成机制）：

  • 价格过程：\(X_t = X_0 + \int_0^t b_s ds + \int_0^t \sigma_s dZ_s + J_t\)，其中 \(J_t\) 是跳跃项（允许任意活跃度的跳跃，如 finite activity 或 infinite activity）。
  • 波动率过程（零假设 \(H_0\)）：\(\sigma_t\) 是半鞅，路径二次变差有限（\(\int_0^t \sigma_s^2 d[\sigma]_s < \infty\)），具体可设为 \(\sigma_t = \sigma_0 + \int_0^t a_s ds + \int_0^t v_s dW_s + \int_0^t \gamma_s dN_s\)（含漂移、连续扩散与跳跃）。
  • 波动率过程（备择 \(H_1\)）：\(\sigma_t\) 是粗糙过程，路径二次变差无限（如 \(\sigma_t = \sigma_0 + \int_0^t (t-s)^{H-1/2} v_s dW_s\)，\(H<1/2\)，此时增量在极小尺度上负自相关）。

  • 微观结构噪声：观测价格 \(\tilde{X}_{i\Delta_n} = X_{i\Delta_n} + \epsilon_i\)，\(\epsilon_i\) i.i.d.，\(E[\epsilon_i]=0\), \(E[\epsilon_i^2]=\eta^2\)，与 \(X\) 独立。

  • 可观测数据：

  • 研究者实际观测到的是带噪声的高频价格序列 \(\{\tilde{X}_{i\Delta_n}\}_{i=1}^n\)（或无噪声时的 \(\{X_{i\Delta_n}\}\)）。
  • 真实 spot volatility \(\sigma_t\) 是不可观测的潜在量，只能通过局部平均构造估计 \(\hat{\sigma}_i^2\)。
  • 波动率过程的二次变差性质（有限 vs 无限）是不可观测的结构特征，需通过统计检验识别。

第二步：最小内核——最简特例（无跳跃、无噪声、\(L=1\)、\(d=1\)）

剥掉所有一般性假设（跳跃、噪声、多滞后、多维），最小内核是：在无跳跃、无噪声、单资产、滞后 \(L=1\) 的设定下，检验波动率增量的一阶自协方差是否显著为负。

  • 核心思路：波动率是半鞅时，其增量在极小时间尺度上近似不相关（自协方差趋于 0 速度为 \(O(\Delta_n)\)）；波动率是粗糙过程时，增量在极小尺度上负自相关（自协方差趋于 0 速度慢于 \(O(\Delta_n)\)，量级为 \(O(\Delta_n^{2H})\)，\(H<1/2\)）。因此，构造波动率增量的样本自协方差，若它显著为负（相对于半鞅零假设下的 CLT 分布），则拒绝半鞅、支持粗糙。

  • 具体构造（最简特例）：

  • 从无噪声高频价格 \(X_{i\Delta_n}\) 计算局部收益率 \(\Delta_i^n X = X_{i\Delta_n} - X_{(i-1)\Delta_n}\)。
  • 计算 spot volatility 估计：\(\hat{\sigma}_i^2 = \sum_{j=1}^{k_n} (\Delta_{i+j}^n X)^2 / k_n\)（局部窗口 \(k_n\) 内的 realized variance 平均）。
  • 计算波动率增量：\(\Delta_i^n \hat{\sigma}^2 = \hat{\sigma}_{i+k_n}^2 - \hat{\sigma}_i^2\)。

  • 构造检验统计量（一阶自协方差）：\(\hat{V}_{n,1} = \frac{1}{n-2k_n} \sum_{i=1}^{n-2k_n} \Delta_i^n \hat{\sigma}^2 \cdot \Delta_{i+k_n}^n \hat{\sigma}^2\)。

  • 零假设下的极限（最简特例）：

  • 当 \(\sigma_t\) 是半鞅（无跳跃）时，\(\hat{V}_{n,1}\) 的渐近行为：\(\hat{V}_{n,1} / \Delta_n \to\) 某个非零常数（反映波动率二次变差的贡献），但需要中心化与标准化才能做检验。

  • 本文证明的关键：在 \(H_0\) 下，\(\hat{V}_{n,1}\) 经过适当的中心化（减去均值项）与标准化（除以标准差估计），服从 feasible CLT（渐近正态）。中心化项涉及波动率的二次变差与四次变差，可通过 realized quarticity 估计。

  • 备择下的极限（最简特例）：

  • 当 \(\sigma_t\) 是粗糙过程（\(H<1/2\)）时，\(\hat{V}_{n,1}\) 的量级为 \(O(\Delta_n^{2H})\)（远大于 \(H_0\) 下的 \(O(\Delta_n)\) 量级，因为 \(2H < 1\)），因此标准化后的统计量趋向 \(-\infty\)（因为自协方差为负且量级更大），power 走向 1。

  • 为什么成立（最简特例的直觉）：

  • 半鞅波动率的增量自协方差在 \(\Delta_n \to 0\) 时衰减过快（\(O(\Delta_n)\)），被中心化项吸收后残差为正态噪声；粗糙波动率的增量自协方差衰减慢（\(O(\Delta_n^{2H})\)），负信号在标准化后放大为 \(-\infty\)。这一"rate 差异"（\(O(\Delta_n)\) vs \(O(\Delta_n^{2H})\)）是检验 power=1 的数学根源。

三、这篇论文做了什么

三句话： ①研究了如何非参数地检验资产波动率是半鞅（有限二次变差）还是粗糙过程（无限二次变差、增量负自相关）。 ②核心工具是基于高频 spot volatility 估计增量的样本自协方差，并在零假设下建立 feasible CLT。 ③主要结论是构造了渐近 size 固定、渐近 power=1 的检验，且在任意跳跃活跃度与微观结构噪声下稳健。

关键设定与假设：

在第二节最小记号基础上补全：

  • 采样设定：等间隔高频采样，步长 \(\Delta_n = 1/n\)，\(n \to \infty\)（日内高频，跨日独立重复 \(M\) 天用于估计方差）。
  • 局部窗口 \(k_n\)：满足 \(k_n \to \infty\), \(k_n \Delta_n \to 0\)（局部窗口足够大以平滑噪声，足够小以捕捉瞬时波动率），具体 rate 要求为 \(k_n \asymp \Delta_n^{-\beta}\)，\(\beta \in (0, 1/2)\)（无噪声时）或 \(\beta \in (1/3, 1/2)\)（有噪声时）。
  • 滞后 \(L\)：固定常数（如 \(L=1, 5, 10\)），不随 \(n\) 增长。
  • 价格过程假设：\(X_t\) 是 Itô 半鞅，允许漂移、连续扩散、跳跃（跳跃活跃度任意，包括 infinite activity 如 Aït-Sahalia & Jacod 的 \(\beta\)-stable 跳跃）。
  • 波动率过程假设（\(H_0\)）：\(\sigma_t\) 是 Itô 半鞅，路径二次变差有限（\([\sigma, \sigma]_t < \infty\) a.s.），允许自身有跳跃。
  • 波动率过程假设（\(H_1\)）：\(\sigma_t\) 的增量在滞后 \(L\) 上负自相关，具体表现为 \(E[\Delta_i^n \sigma^2 \Delta_{i+L}^n \sigma^2] / \Delta_n \to\) 负常数或更慢衰减（粗糙过程满足此条件）。
  • 微观结构噪声假设：\(\epsilon_i\) i.i.d.，与价格过程独立，\(E[\epsilon_i]=0\), \(E[\epsilon_i^2]=\eta^2\), \(E[\epsilon_i^4] < \infty\)（允许噪声有偏度与峰度）。
  • 统计含义与放宽：
  • 相比 Gatheral et al. (2018) 的参数化 fBm 假设，本文的 \(H_1\) 仅要求"增量负自相关"，不依赖 fBm 结构，大幅放宽。
  • 相比 Jacod & Podolskij (2013) 的波动率半鞅假设，本文的 \(H_0\) 允许波动率自身有跳跃（更一般的半鞅），且 \(H_1\) 明确允许波动率非半鞅。
  • 相比 Aït-Sahalia & Jacod (2014) 的价格跳跃检验，本文检验的是波动率而非价格，且需要处理波动率不可观测带来的额外估计噪声。

主要结果：

  1. 定理 1（无噪声、无跳跃下的 feasible CLT）：
  2. 陈述：在 \(H_0\)（\(\sigma_t\) 半鞅）下，无噪声、无跳跃时，标准化统计量 \(\hat{T}_{n,L} = (\hat{V}_{n,L} - \mu_{n,L}) / \hat{S}_{n,L}\) 依分布收敛到 \(N(0,1)\)，其中 \(\mu_{n,L}\) 是中心化项（涉及波动率的二次与四次变差），\(\hat{S}_{n,L}\) 是标准差估计（基于跨日独立重复的样本方差）。
  3. 直觉：\(\hat{V}_{n,L}\) 在 \(H_0\) 下的主要贡献来自波动率二次变差的"伪自相关"（因局部窗口重叠导致），中心化移除后残差是纯估计噪声，渐近正态。

  4. 必要条件：\(k_n \to \infty\), \(k_n \Delta_n \to 0\), \(k_n^2 \Delta_n \to 0\)（窗口不能太大，否则局部估计偏差进入）。

  5. 定理 2-3（有跳跃、有噪声下的 feasible CLT）：

  6. 陈述：在 \(H_0\) 下，允许价格跳跃（任意活跃度）与微观结构噪声时，通过阈值化（thresholding，截断大增量以去跳跃）与预平均（pre-averaging，局部平均以去噪声）构造修正的 spot volatility 估计 \(\hat{\sigma}_i^{2,\text{thr}}\) 或 \(\hat{\sigma}_i^{2,\text{pre}}\)，相应的自协方差统计量 \(\hat{V}_{n,L}^{\text{thr}}\) 或 \(\hat{V}_{n,L}^{\text{pre}}\) 在标准化后仍服从 feasible CLT（\(N(0,1)\)）。
  7. 直觉：跳跃通过阈值化被截断（大增量视为跳跃，不进入 spot volatility 估计），噪声通过预平均被平滑（局部平均后噪声方差从 \(\eta^2\) 降到 \(\eta^2/k_n\)），两者均不改变 \(H_0\) 下自协方差的渐近结构。

  8. 必要条件：阈值化需选择截断水平 \(u_n \asymp \Delta_n^\varpi\)（\(\varpi \in (0, 1/2)\)）；预平均需 \(k_n \asymp \Delta_n^{-\beta}\)（\(\beta \in (1/3, 1/2)\)），且需修正中心化项以补偿预平均引入的偏差。

  9. 定理 4-5（备择下的 power=1）：

  10. 陈述：在 \(H_1\)（波动率增量负自相关，如粗糙过程）下，无论有无跳跃/噪声，标准化统计量 \(\hat{T}_{n,L} \to -\infty\)（依概率），因此对任何固定临界值 \(c\)，\(P(\hat{T}_{n,L} < -c) \to 1\)，power=1。
  11. 直觉：\(H_1\) 下自协方差量级为 \(O(\Delta_n^{2H})\)（\(H<1/2\)），远大于 \(H_0\) 下的 \(O(\Delta_n)\)，标准化后负信号放大为 \(-\infty\)。
  12. 解决的技术难点：\(H_1\) 下 spot volatility 估计的极限理论不同于 \(H_0\)（粗糙过程的局部估计有额外偏差项），需证明该偏差项不掩盖负自相关信号。

证明路线与技术技巧：

  • 整体路线（5 步）：
  • 构造 spot volatility 估计：从高频价格计算局部 realized variance（或阈值化 / 预平均版本），得到 \(\hat{\sigma}_i^2\)。
  • 展开自协方差统计量：将 \(\hat{V}_{n,L}\) 写成真实波动率增量与估计误差的交叉项之和，分解为"主项"（真实波动率增量的自协方差）与"误差项"（估计误差的自协方差与交叉项）。
  • \(H_0\) 下主项与误差项的 rate 分析：主项量级 \(O(\Delta_n)\)（半鞅增量自协方差衰减快），误差项量级 \(O(k_n \Delta_n)\)（局部窗口重叠导致的伪自相关），中心化移除主项后，残差为误差项，量级 \(O(k_n \Delta_n)\)。
  • 建立 feasible CLT：证明残差项在跨日独立重复下服从 CLT（利用跨日独立性构造方差估计 \(\hat{S}_{n,L}\)），关键技术是控制误差项的高阶矩（涉及价格与波动率的四次与六次变差）。

  • \(H_1\) 下 power 分析：主项量级 \(O(\Delta_n^{2H})\)（粗糙增量自协方差衰减慢），远大于误差项 \(O(k_n \Delta_n)\)，因此标准化后主项主导，趋向 \(-\infty\)。

  • 关键跳跃点：

  • 引理 A.1（误差项的四阶矩展开）：最吃功夫的引理，需计算 \(\hat{\sigma}_i^2\) 估计误差的四阶交叉矩（涉及价格增量四次幂的局部平均），在跳跃与噪声存在时需分别用阈值化与预平均控制矩的阶数。难点在于：跳跃使四次幂矩发散（infinite activity 跳跃的四次变差可能无限），需阈值化截断；噪声使四次幂矩包含噪声交叉项（量级 \(O(\eta^4/k_n^2)\)），需预平均平滑。

  • 定理 2-3 的中心化项构造：有跳跃 / 噪声时，\(\hat{V}_{n,L}\) 的均值项不仅包含波动率二次变差，还包含跳跃与噪声的贡献（如跳跃的四次变差、噪声方差 \(\eta^2\) 的交叉项），需通过 realized quarticity 与 noise variance 估计构造 feasible 中心化项，且需证明这些估计在 \(H_0\) 下的一致性。

  • 技术技巧点名：

  • 阈值化：用于截断跳跃增量，选择截断水平 \(u_n \asymp \Delta_n^\varpi\)，保证连续部分的四次幂矩收敛而跳跃部分被剔除（参考 Mancini 2009 的阈值技术）。
  • 预平均：用于平滑微观结构噪声，局部窗口内对价格增量做加权平均（参考 Jacod, Podolskij & Vetter 2009 的 pre-averaging 方法），使噪声方差从 \(\eta^2\) 降到 \(\eta^2/k_n\)。
  • 跨日独立重复：利用多日数据的独立性构造方差估计 \(\hat{S}_{n,L}\)（每日计算一个 \(\hat{V}_{n,L}^{(d)}\)，跨日样本方差作为 \(\hat{S}_{n,L}^2\)），避免估计波动率的高阶变差（四次、六次变差估计在跳跃下不稳定）。
  • 高阶矩展开与 Burkholder-Davis-Gundy (BDG) 不等式：用于控制 \(\hat{\sigma}_i^2\) 估计误差的高阶矩，BDG 不等式将局部二次变差的矩与积分二次变差的矩联系，保证误差项的 rate。
  • 粗糙过程的分数阶积分表示：在 \(H_1\) 下，利用 \(\sigma_t = \sigma_0 + \int_0^t (t-s)^{H-1/2} v_s dW_s\) 的分数阶结构，计算增量自协方差的精确 rate \(O(\Delta_n^{2H})\)，与 \(H_0\) 下的 \(O(\Delta_n)\) 形成对比。

真实例子与应用：

  • 数据：高频金融数据（具体为 2015-2019 年的 S&P 500 ETF SPY 与个股如 AAPL, JPM 的 1 秒级交易数据）。
  • 如何用上去：对每日数据计算 \(\hat{V}_{n,L}^{(d)}\)（\(L=1, 5, 10\)），跨日构造 \(\hat{T}_{n,L}\)，与正态临界值比较。
  • 结果：对 SPY 与多数个股，\(\hat{T}_{n,L}\) 显著为负（p-value 远小于 0.01），拒绝半鞅零假设，支持粗糙波动率。在不同 \(L\)（1, 5, 10）下结论一致，显示负自相关在多滞后上存在。
  • 想说明什么：验证理论检验的可行性（feasible CLT 可实际计算），并展示粗糙波动率在真实数据中的证据（与 Gatheral et al. 2018 的参数化结论一致，但此处是非参数检验结论）。

🔎 结论是否比证明窄：

  • 备择假设的范围：本文证明的 power=1 结论严格建立在"波动率增量负自相关"的 \(H_1\) 上（定理 4-5 的陈述），但作者在 intro 与 abstract 中泛泛 claim 该检验可以检测"粗糙过程"（路径无限二次变差）。事实上，"增量负自相关"是粗糙过程的充分条件（fBm with \(H<1/2\) 满足），但不是必要条件（存在无限二次变差但增量不负自相关的过程）。作者未明确区分这两者，在 intro 第 2 页说"volatility is rough if and only if volatility increments are negatively autocorrelated"，但这是对 fBm 类模型的等价性，而非对所有无限二次变差过程的等价性——这是一个比证明更宽的 claim。

四、开放问题（点到为止，扎根具体语句）

  1. 局部备择下的 minimax 可分性率：本文证明了固定备择下 power=1，但未讨论局部备择（\(\sigma_t\) 在 \(H_0\) 与 \(H_1\) 之间，如 \(H\) 接近 \(1/2\)）下的检验 rate。扎根点：intro 第 3 页"we construct a test with fixed asymptotic size and an asymptotic power equal to one"，未提及局部备择。需确认：在 \(H_n = 1/2 - c/\log n\) 或 \(H_n = 1/2 - c n^{-\alpha}\) 的局部备择下，该检验的 power 衰减率是否达到 minimax 下界（参考 Ingster 1993 的非参数检验 minimax 理论）。

  2. 备择假设的等价性边界：作者 claim"粗糙 iff 增量负自相关"（intro 第 2 页），但证明仅覆盖"增量负自相关"的 \(H_1\)。需确认：是否存在无限二次变差但增量不负自相关的波动率过程？若有，本文检验对这类过程的 power 是多少？扎根点：定理 4-5 的陈述仅假设"负自相关"，未假设"无限二次变差"。

  3. 风险溢价与粗糙的混淆：Bollerslev et al. (2016) 提出风险溢价可导致波动率增量负自相关（intro 第 2 页被引用但未深入讨论）。需确认：在风险溢价模型下，波动率增量负自相关的 rate 是否与粗糙过程相同（\(O(\Delta_n^{2H})\)），若不同，能否通过 rate 区分"粗糙负自相关"与"风险溢价负自相关"？扎根点：本文的 \(H_1\) 包含所有负自相关过程，未区分来源。

  4. 多滞后 \(L\) 的联合检验：本文对每个固定 \(L\) 构造单独检验，未构造多滞后联合检验（如 \(L=1,5,10\) 的联合统计量）。扎根点：实证部分对多个 \(L\) 分别做检验（Section 5），但理论仅针对单 \(L\)。需确认：多滞后联合检验的 feasible CLT 是否可通过 Bonferroni 或多重调整构造，且 joint power 是否仍为 1。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论