标签： #微观结构噪声

你看到某天波动率从 1.2% 跳到 3%,这是真实跳跃还是采样噪声?已实现方差 RV(收益平方和)把『连续扩散波动』和『瞬时跳跃』一股脑混在一起,根本分不清。Barndorff-Nielsen-Shephard 的双幂变差 BV 用相邻收益绝对值的乘积,对跳跃免疫、只估连续积分方差;再用 RV−BV 把跳跃变差剥出来,并用 RV/BV 比值做跳跃检验。本文用高频 GBM+泊松跳跃合成数据,从零复现 BV 估计、RV/BV 检测与波动分解,并点明日内频率、微观结构噪声、有限样本、非交易时段四类真实陷阱(中阶)。

高频已实现方差被买卖价差、离散撮合等微观结构噪声系统性高估。Zhang-Mykland-Aït-Sahalia(2005) 两尺度已实现方差(TSRV)用子采样把噪声方差线性分离出来、外推到 K→∞ 得到无偏的积分方差。合成里全样本 RV 高估 32.5%、TSRV(K=12) 修复到 −7.4%，噪声越大差距越夸张，附完整 Python 与六类真实陷阱（高阶）。

高频跳跃检测(Lee-Mykland)：用局部波动率缩放检验量 L=r_t/ŝ_{t-1} 区分真跳与噪声，Bonferroni 校正多重检验。合成一天 390 分钟、注入 5 跳：LM 命中 5/5、误报 1；固定阈值误报 10。附 Python 与五类陷阱（高阶）。

日频协方差只有开收两个点、还被隔夜跳空污染。本文用分钟级高频把全天资产联动拼成已实现协方差矩阵：朴素 RC 构造、微观结构噪声的 U 形偏差与 Epps 塌缩、已实现核(RK)救回真实方差与相关系数，再用 HAR-RV 预测波动，附可复现 Python。