高频跳跃检测(Lee-Mykland)：从噪声里揪出真实的瞬时跳变

高频数据里最让人头疼的一件事：一根一分钟 bar 涨了 1.5%，这到底是「真实跳变（jump）」——有信息、有方向、值得反应——还是只是微观结构噪声 + 当时本来就大的波动里抖了一下？ 把噪声当跳变去追，等于在噪音里高频交易、交手续费；把真跳变当噪声忽略，又会在重大事件上裸奔。

本文聊一个干净又实用的检验：Lee & Mykland (2008) 的日内跳跃检测。它的核心只有一句话——用「过去 K 分钟局部波动率」去缩放这一分钟的收益，得到统计量 L(r_t)=r_t/ŝ_{t-1}；在无跳变假设下 L 近似标准正态 N(0,1)，于是 |L| 超过正态临界值就判为跳变。难点不在公式，而在「局部波动率」——它让检验在动荡市自动抬高门槛，不像固定阈值那样在波动大的时候疯狂误报。

我们用一天 390 分钟（9:30–16:00）的分钟级对数收益、三段波动 regime（平静 σ=0.07% / 正常 σ=0.14% / 动荡 σ=0.30%）、人工注入 5 个真跳变来验证：LM 命中 5/5、仅 1 误报；而朴素固定阈值（用平静市 4σ 标定）虽然也命中 5/5，却误报 10 个，其中 9 个全在动荡段。

一、为什么「固定阈值」不行#

最直觉的做法：用全样本或平静市的 σ 定一个阈值（比如 4σ），|r_t|>4σ 就当跳变。它的问题在于波动率会聚类——一天里平静段和动荡段 σ 能差 4 倍。用平静市 σ 去标定，动荡段里「正常的波动抖动」会大量越过 4σ，检测器在下午（动荡）狂报假跳变；反过来用动荡市 σ 标定，平静段的真跳变又被淹没。

Lee-Mykland 的改进在于：阈值不是固定的，而是「这一分钟相对它自己附近的波动率」有多大。它问的不是「r_t 绝对值大不大」，而是「r_t 相对当前本地波动是不是异常大」。这才是「区分跳变 vs 噪声」该问的问题。

二、统计量与检验#

记第 t 分钟对数收益为 r_t。LM 先估计一个局部波动率 ŝ_{t-1}：用过去 K 分钟（不含当前）的平方收益滚动求标准差。

import numpy as np

def lee_mykland(ret, K=30):
    """Lee-Mykland 跳跃检测。返回 L 统计量、局部波动率、被标记时刻。"""
    n = len(ret)
    locvol = np.full(n, np.nan)
    for t in range(K, n):
        locvol[t] = np.sqrt(np.mean(ret[t - K:t] ** 2))   # ŝ_{t-1}
    L = np.full(n, np.nan)
    for t in range(K, n):
        L[t] = ret[t] / locvol[t]                          # 局部缩放的检验量
    return L, locvol

def norm_ppf(p):
    """标准正态分位函数（Acklam 逼近，纯 numpy 实现）。"""
    a = [-3.969683028665376e+01, 2.209460984245205e+02, -2.759285104469687e+02,
         1.383577518672690e+02, -3.066479806614716e+01, 2.506628277459239e+00]
    b = [-5.447609879822406e+01, 1.615858368580409e+02, -1.556989798598866e+02,
         6.680131188771972e+01, -1.328068155288572e+01]
    c = [-7.784894002430293e-03, -3.223964580411365e-01, -2.400758277161838e+00,
         -2.549732539343734e+00, 4.374664141464968e+00, 2.938163982698783e+00]
    d = [7.784695709041462e-03, 3.224671290700398e-01, 2.445134137142996e+00,
         3.754408661907416e+00]
    plow, phigh = 0.02425, 1 - 0.02425
    if p < plow:
        q = np.sqrt(-2 * np.log(p))
        return (((((c[0]*q+c[1])*q+c[2])*q+c[3])*q+c[4])*q+c[5]) / \
               ((((d[0]*q+d[1])*q+d[2])*q+d[3])*q+1)
    if p > phigh:
        q = np.sqrt(-2 * np.log(1 - p))
        return -(((((c[0]*q+c[1])*q+c[2])*q+c[3])*q+c[4])*q+c[5]) / \
               ((((d[0]*q+d[1])*q+d[2])*q+d[3])*q+1)
    q = p - 0.5; r = q * q
    return (((((a[0]*r+a[1])*r+a[2])*r+a[3])*r+a[4])*r+a[5]) * q / \
           (((((b[0]*r+b[1])*r+b[2])*r+b[3])*r+b[4])*r+1)

# 多重检验校正（Bonferroni）：一天 n_eff 个检验，整体 α 下每步阈值收紧
n_eff = N - K
alpha = 0.05
c = norm_ppf(1 - alpha / (2 * n_eff))     # c ≈ 3.81
detected = [t for t in range(K, N) if abs(L[t]) > c]

为什么 L≈N(0,1)： 在「无跳变、局部波动近似恒定」的假设下，r_t≈σ_t·ε_t 且 ε_ti.i.d. 近似标准正态；用 ŝ_{t-1}（上一窗口的 σ 估计）缩放后，L_t≈ε_tN(0,1)。一旦某分钟有真实跳变，r_t 多了一大块离散位移，L_t 就会被撑得很大，远离正态分布——这就是检验能抓到的「异常」。

多重检验校正： 一天要做 n_eff 次检验（每次一分钟一个），若每次用 5% 单点阈值，一天预期误报 n_eff×5%≈18 次。LM 用 Bonferroni 把整体 α 摊到每一步：c=Φ⁻¹(1−α/(2·n_eff))。当 n_eff=360、α=0.05 时，c≈3.81（比单点 1.96 严得多），把「纯噪声随机越界」的预期次数压到接近 α。

三、数据：埋 5 个跳，跨三段 regime#

一天 390 分钟，波动率聚类成平静/正常/动荡三段；在第 45、150、250、330、370 分钟注入 5 个真实跳变（±1.2%~2.0%）：

红点就是注入的跳变。注意第 330、370 分钟那两个跳变落在动荡段——背景波动本身就大，这正是「固定阈值最容易误报」的区域。

四、LM 统计量：5 个跳变清清楚楚#

把 L 统计量画出来，叠加 ±c 临界带：

5 个真实跳变的 L 值全部远超临界值 c=3.81（最小也有 4.07），且一个都在动荡段的跳变也被稳稳抓住——因为 LM 用「本地波动」缩放，动荡段门槛自动抬高，跳变相对本地波动依然「异常大」。全天 LM 只标记了 6 次（5 真 + 1 误报），误报率极低。

五、局部波动率：门槛会随市场呼吸#

LM 的灵魂是 ŝ_{t-1}。下图把真实波动率和 LM 的局部估计叠一起：

估计的局部波动率（绿）紧贴真实波动率（黑）走——平静段低、动荡段高。这意味着检验的「标尺」在随市场呼吸：动荡时分母大、门槛自然抬高，普通抖动过不了关；平静时分母小、同样幅度的跳变更容易被识别。这就是它比固定阈值强的地方。

六、LM vs 朴素阈值：动荡段的屠杀#

用平静市 σ 标定一个固定 4σ 阈值（naive_thr≈0.0051），和 LM 同场对比：

同是命中 5/5 真跳，差距在误报：朴素阈值在动荡段（灰底区域）炸出 9 个误报——它用平静市的小 σ 去卡动荡市的大波动，当然满屏假信号。LM 因为局部缩放，动荡段几乎零误报。在实盘里，这 9 个误报意味着 9 次「假跳变触发交易」，每次都是白交手续费 + 可能的反向亏损。

七、五类真实陷阱#

1. K 窗长两头难：K 太小（如 5），ŝ 估计抖、分母不稳，L 会被噪声放大，误报激增；K 太大（如 100），ŝ 跟不上波动率的 regime 切换，动荡初段门槛还停在平静水平，漏检真跳。K=30（约半小时）是经验甜点，但必须按你的数据频率样本外调，别照搬。
2. 局部波动率自身在跳变时被污染：我们用的是 ŝ_{t-1}（不含当前 t 的窗口），这点很关键——若把当前分钟算进窗口，真跳变会撑大 ŝ_t，反而把 L_t 压小、导致漏检。务必用 t 之前 的窗口。
3. 微结构噪声让 r_t 本身不干净：真实 Tick/分钟收益含买卖价差跳动（bid-ask bounce）、非同步交易，r_t 的「噪声」比纯 GBM 大。这会系统性抬高 ŝ，使 L 偏小、漏检温和跳变。落地前常先做 中位数去趋势 / 用超高频收益构造已实现方差 再喂进 LM。
4. 多重检验校正的代价：Bonferroni 把 c 从 1.96 拉到 3.81，误报是少了，但小跳变（L 在 2~3.8 之间）会被漏掉。若你关心的是「中等强度跳变」，可换 BH 校正或分时段独立校正，在误报和漏检间取折中。
5. 合成数据局限：本序列是「分段恒定 σ + 高斯噪声 + 离散跳」的自洽合成，只为干净演示 LM 的局部缩放优势。真实高频收益有厚尾、波动聚集更强、且跳变常伴随后续反转（jumper 之后的均值回复）；落地须接入真实 Tick/分钟数据、先做去噪、并对检测结果做样本外召回率/精确率评估，且单日跳变检测不该直接当交易信号，应作为风控/事件标记层。

八、结语#

Lee-Mykland 给高频研究一个「廉价又稳健」的跳变探针：

• L(r_t)=r_t/ŝ_{t-1} 用本地波动缩放，把「绝对值大」换成「相对本地异常大」，动荡市自动抬高门槛；
• Bonferroni 校正多重检验，c≈3.81 把全天纯噪声误报压到接近 α；
• 在我们的合成里，它命中 5/5 真跳、仅 1 误报，而朴素固定阈值误报 10 个（动荡段 9 个）。

和之前聊过的 VPIN（订单流毒性）、HMM 市场状态识别放一起看：VPIN 度量「订单流性质」、HMM 识别「regime 切换」、LM 定位「瞬时跳变时刻」——三者都在「价格之外的维度」上帮你看清市场到底发生了什么。LM 最适合当事件标记层：把跳变分钟打上标签，喂给波动率模型（跳变日要降杠杆）、事件研究（跳变后是否反转）、或实时风控（异常跳变触发预警）。

注：本文收益序列为自洽合成数据（分段恒定波动率 + 高斯噪声 + 离散跳变），用于演示 LM 的局部波动率缩放与多重检验校正；真实高频数据需先做买卖价差去噪、用 t 之前窗口估计 ŝ、并对检测结果做样本外精确率/召回率评估。