Estimating Jump Variation under Noise with High-Frequency Data

Mit Hilfe der neuesten Vor-Mittelwert-Techniken, um Mikrostruktur-Effekte und Ausreisser zu reinigen, verwenden wir Tick-Level-Daten (aufgezeichnet in Millisekunden Genauigkeit), um die Volatilität zu messen. Wir schätzen das Niveau der Sprungvariation (zusätzlich zu der integrierten Variation) im Preisprozess, um mit den Ergebnissen zu vergleichen, die in Christensen, Oomen and Podolskij (2014a) angegeben sind. Wir finden, dass, wenn Sie sich einer kontinuierlichen Zeit nähern, der Bruchteil der Sprungvariation auf etwa 3% von dem 10%-Niveau abnimmt, der aus dem, was jetzt niedrige Frequenz (5-Minuten) Daten geschätzt wird, wie die meisten der jüngsten Literatur gezeigt haben. Dieses Ergebnis kontrastiert leicht mit dem bisher 1% Niveau der Sprungvariation, gefunden durch Christensen, Oomen and Podolskij (2014a). Wir finden, dass für die meisten liquiden Instrumente die Höhe der Sprungvariation nahe bei ihren Ergebnissen liegt. Der Gesamtunterschied in den Sprungvariationsschätzungen ist höchstwahrscheinlich mit den strengeren Datenreinigungstechniken verbunden, die die Anzahl der gereinigten täglichen Renditen reduzieren.Utilizing the latest pre-averaging techniques to clean away microstructure effects and outliers, we use tick-level data (recorded at millisecond precision) to measure volatility. We estimate the level of the jump variation (in addition to the integrated variation) in the price process to compare with results reported in Christensen, Oomen and Podolskij (2014a). We find that as you approach continuous-time, the fraction of jump variation decreases to around 3% from the 10% level estimated from what is now low frequency (5-minute) data, as has been shown by most of the recent literature. This result contrasts slightly with the previously 1% level of jump variation, found by [Christensen, Oomen and Podolskij (2014a)]. We do find that for the most liquid instruments, the level of jump variation is close to their findings. The overall difference in the jump variation estimates is most likely associated to the more rigorous data cleaning techniques that reduce the number of cleaned, daily returns