다중스케일 레버리지 효과 추정: 의존성 마이크로스트럭처 노이즈 하에서의 효율적 방법

초록

본 논문은 고빈도 데이터에 존재하는 의존적·비정규 마이크로스트럭처 노이즈를 직접 다루는 두 가지 새로운 레버리지 효과 추정기, 즉 SUBSAMPLING‑AND‑AVERAGING LEVERAGE EFFECT (SALE)와 MULTI‑SCALE LEVERAGE EFFECT (MSLE)를 제안한다. SHIFTED WINDOW 기법을 통해 노이즈에 편향되지 않은 기본 추정량을 만들고, 다중 스케일 가중합을 이용해 asymptotic variance 를 최소화한다. 이론적으로는 무노이즈·노이즈 상황 모두에서 중심극한정리와 안정적 수렴을 증명했으며, 시뮬레이션과 30개 미국 자산 실증을 통해 기존 프리‑어버리징 방법보다 일관적으로 작은 추정오차와 높은 효율성을 확인하였다.

상세 분석

이 논문은 레버리지 효과(수익률과 변동성 변화 간의 음의 상관관계)를 고빈도 데이터에서 정확히 추정하기 위해 기존의 프리‑어버리징(pre‑averaging)이나 플러그인 방식에 의존하지 않는 완전 새로운 프레임워크를 제시한다. 핵심 아이디어는 “shifted window” 기법이다. 기존의 레버리지 추정은 동일 시점의 수익률과 변동성 추정값을 곱해 편향이 발생했으나, 저자들은 변동성 추정에 사용되는 윈도우를 한 단계 앞·뒤로 이동시켜 노이즈 항을 서로 독립하게 만든다. 이로써 기본 추정량은 노이즈에 대해 무편향(unbiased)이며, 분산도 크게 감소한다.

SALE는 이러한 기본 추정량을 여러 서브샘플(스케일 H, 인덱스 h)에 적용한 뒤 평균을 취한다. 서브샘플링은 노이즈가 독립적이거나 q‑dependent인 경우에도 효과적으로 노이즈를 희석시킨다. 그러나 단일 스케일에서는 여전히 분산이 남아 있기 때문에, 저자들은 다중 스케일 접근법을 고안했다.

MSLE는 서로 다른 서브샘플 스케일(H₁,…,H_m)에서 얻은 SALE 추정량을 가중합한다. 가중치는 각 스케일 간의 asymptotic covariance 구조를 이용해 최적화되며, 실제 적용에서는 정확한 공분산을 알 수 없으므로 근사 가중치 전략을 제시한다. 이 전략은 노이즈 분산이 고정된 경우뿐 아니라, 노이즈가 샘플링 간격에 따라 감소하는 현실적인 상황에서도 견고하게 작동한다.

이론적 결과는 두 가지 주요 정리를 포함한다. 첫째, 무노이즈 상황에서 SALE와 MSLE 모두 n⁻¹/⁴ 수렴률을 달성하고, 중심극한정리를 통해 정상분포로 수렴한다. 둘째, 의존적·비정규 노이즈가 존재할 때 MSLE는 n⁻¹/⁹ 수렴률을 보이지만, 이는 프리‑어버리징(n⁻¹/⁸)보다 실제 분산이 현저히 작아 실무에서 더 우수한 성능을 나타낸다. 또한, 노이즈‑프리와 노이즈‑인플루언스 두 경우 모두에 대해 일관적인 분산 추정량을 제공하여 feasible CLT 를 구현한다.

시뮬레이션에서는 i.i.d. Gaussian 노이즈, q‑dependent AR(1) 노이즈, 그리고 heavy‑tail (t‑분포) 노이즈 등 다양한 설정을 검증하였다. 결과는 특히 노이즈 수준이 낮거나 중간 정도일 때 MSLE가 기존 프리‑어버리징보다 평균 제곱오차가 20‑30% 감소함을 보여준다. 실증 부분에서는 30개 미국 주식·ETF의 1분 간격 데이터에 적용했으며, 레버리지 효과가 전반적으로 음의 값을 유지함을 확인하고, 추정값의 표준오차가 기존 방법보다 현저히 작아 투자 포트폴리오 위험 관리에 실질적인 이점을 제공한다.

전체적으로 이 논문은 (1) 노이즈에 대한 편향을 완전히 제거하는 shifted window 기반 베이스 추정기, (2) 서브샘플링을 통한 노이즈 억제, (3) 다중 스케일 가중합을 통한 효율성 극대화, (4) 현실적인 의존성·비정규 노이즈를 고려한 가중치 설계라는 네 가지 혁신을 결합한다. 이로써 고빈도 금융 데이터에서 레버리지 효과를 추정하는 새로운 표준이 될 가능성을 제시한다.