标签： #hayashi-yoshida

直觉告诉你：数据越密、频率越高，估计应该越准。但相关性在高频世界里恰恰相反——同一对资产，用日线算相关是 0.6，切到 1 分钟变 0.3，切到 1 秒几乎归零。这就是 Epps 效应：不是市场关系变了，是异步成交把相关性『稀释』掉了。两只股票的 tick 从不落在同一时刻，你为了对齐用旧价前向填充，就在每个细格点里塞进了大量人造的零收益，相关性被这些零拖向 0。本文用纯 numpy 合成两条 latent 相关 0.6 的高频价格路径，泊松稀疏成交 + last-tick 填充完整复现 Epps 塌陷曲线（1 秒 ρ≈0.03、30 分钟才恢复到 0.59）；量化流动性对衰减速度的影响（成交越稀疏塌陷越狠）；最后给出解药 Hayashi-Yoshida 估计量——用重叠区间累加协方差，不需要同步、不丢数据，在异步稀疏数据下几乎无偏。附完整 Python 与四类真实陷阱。

两只关联资产里，谁先动、谁跟随？大盘 ETF 涨了，成份股几秒后跟上；期货动了，现货滞后半秒——这个『谁领先谁』的时间差，是高频交易里最值钱的信息之一。但要从真实 tick 数据里量出这个 lag 极难：两条序列的成交时刻从不对齐，你一旦重采样到固定网格，就把秒级的领先滞后模糊进了分钟级的格子，lag 直接消失。本文把 Hayashi-Yoshida 估计量升级成领先滞后探测器：给一条序列的时间轴整体平移 L 秒再算 HY 交叉相关，扫描所有 L、峰值所在即领先滞后时间。用纯 numpy 造 leader/follower 结构（follower=leader 滞后 8 秒+噪声），完整复现交叉相关峰值精准锁定 8 秒；对比固定网格 last-tick 如何被粗粒度模糊掉 lag；量化样本量与信号强度对 lag 估计稳健性的影响（一天数据 vs 一周数据、ρ=0.2 的平峰 vs ρ=0.8 的尖峰）。附完整 Python 与四类真实陷阱。