Modelarea piețelor financiare

Capitolul 11: Modele în timp continuu

Capitolul 11: Modele în timp continuu

Daniel Traian PELE

Academia de Studii Economice din București
IDA Institute Digital Assets
Blockchain Research Center
AI4EFin Artificial Intelligence for Energy Finance
Academia Română, Institutul de Prognoză Economică
MSCA Digital Finance

It is shown that common-stock prices, and the value of money can be regarded as an ensemble of decisions in statistical equilibrium, with properties quite analogous to an ensemble of particles in statistical mechanics.

— Osborne (1959), Brownian motion in the stock market

Osborne (1959) a descris logaritmii prețurilor acțiunilor cu instrumentele fizicii statistice: nu prețurile, ci logaritmii lor se comportă ca mișcarea browniană (Brownian motion). Modelul care rezultă, mișcarea browniană geometrică (GBM, geometric Brownian motion), este modelul de preț din spatele formulei Black & Scholes (1973). Prețurile sînt înregistrate zilnic sau la cîteva milisecunde, iar timpul continuu oferă un singur limbaj pentru toate aceste scări: calculul Itô (Itô calculus), ecuațiile diferențiale stocastice (SDE, stochastic differential equations) și schimbarea măsurii. Întrebarea capitolului este dacă un singur model poate descrie prețurile la orice scară de timp.

Randamentele logaritmice zilnice ale S&P 500 (Standard & Poor's) din 1990 resping GBM în două privințe. Excesul de kurtosis (excess kurtosis) este 10,9, în loc de 0, cea mai rea zi se află la −11,3 abateri standard, iar 62 de zile se află dincolo de ±4 abateri standard, față de 0,59 așteptate sub distribuția Normală. Autocorelația valorilor absolute ale randamentelor este 0,27 la lagul 1 și încă 0,14 la lagul 50, deci volatilitatea vine în grupuri (volatility clustering). Variația pătratică (quadratic variation) crește în trepte: între septembrie 2008 și martie 2009, 1,6% din zile aduc 15,2% din variația pătratică a întregului eșantion. Nici driftul nu se poate fixa din date: pentru o precizie de ±1 punct procentual, S&P 500 ar avea nevoie de 1 243 de ani de date, iar Bitcoin de 17 028 de ani.

Capitolul adaugă pe rînd revenirea la medie, salturile (jumps, modelul Merton) și volatilitatea stocastică (stochastic volatility, modelul Heston), apoi compară modelele estimate cu datele pe 100 de eșantioane simulate de cîte 9 245 de zile. Merton reproduce statistica Hill a cozii, 2,70 față de 2,56 în date, dar nu și volatility clustering. Heston reproduce volatility clustering, cu o autocorelație de 0,28 la lagul 1 față de 0,27 în date. Niciun model estimat nu atinge excesul de kurtosis al datelor, 10,88: Merton dă 3,66, iar Heston 3,21. Studiile de caz arată ce lipsește și modelelor cu un factor: pe SPY, estimatorul NLLS (non-linear least squares) robust la zgomot dă un exponent de roughness de −0,35, față de 0 pentru mișcarea browniană.

Modelele estimate confruntate cu randamentele zilnice ale S&P 500: autocorelația lui |r| pe lagurile 1–50 (stînga), excesul de kurtosis (mijloc) și statistica Hill pentru cele mai mari 5% dintre pierderi (dreapta); pentru GBM, Merton și Heston sînt medianele a 100 de simulări, cu intervale de 90%.
Modelele estimate confruntate cu randamentele zilnice ale S&P 500: autocorelația lui |r| pe lagurile 1–50 (stînga), excesul de kurtosis (mijloc) și statistica Hill pentru cele mai mari 5% dintre pierderi (dreapta); pentru GBM, Merton și Heston sînt medianele a 100 de simulări, cu intervale de 90%. Graficul interactiv: „Capacitatea modelelor de a reproduce S&P 500 (1/2)” →

Rezultatele învățării

  • Derivați soluții cu lema lui Itô și simulați o ecuație diferențială stocastică cu un ordin de eroare cunoscut.
  • Calculați estimări GBM, Ornstein–Uhlenbeck, Merton și Heston, cu erori standard care reflectă ce identifică eșantionul.
  • Interpretați ce caracteristică a datelor reproduce fiecare model și ce caracteristică nu reproduce niciunul.
  • Interpretați de ce evaluarea opțiunilor și modelele de dobîndă folosesc acest limbaj.

Aprofundările și Anexa sînt lectură pentru familiarizare.

Planul capitolului

  1. Traseul capitoluluiÎntrebarea capitolului, cele două părți și sursele de date.
  2. De la mersul aleator la mișcarea brownianăTeorema lui Donsker și proprietățile mișcării browniene.
  3. Variația pătratică și calculul ItôVariația totală și variația pătratică, pe simulări și pe S&P 500, integrala Itô și lema lui Itô.
  4. Ecuații diferențiale stocastice și simulareSchema Euler–Maruyama, schema Milstein și convergența tare.
  5. Mișcarea browniană geometricăGBM din lema lui Itô, estimarea prin verosimilitate maximă, precizia driftului și adecvarea pentru S&P 500.
  6. Revenirea la medie: procesul Ornstein–UhlenbeckProcesul OU, discretizarea exactă ca AR(1) și modelele Vasicek și CIR (Cox–Ingersoll–Ross, model, modelul Cox–Ingersoll–Ross al ratei dobînzii) pe randamentul titlurilor de stat pe 3 luni.
  7. Estimarea difuziilor: identificarea parametrilorCe se învață din eșantionarea mai deasă și ce doar dintr-un orizont mai lung.
  8. Schimbarea măsurii: Girsanov și Feynman–KacTeorema lui Girsanov, prețul de piață al riscului și ecuația de evaluare Feynman–Kac.
  9. Salturi: modelul MertonDifuzia cu salturi și estimările pentru S&P 500, BET (Bucharest Exchange Trading, index, indicele de referință al Bursei de Valori București) și Bitcoin.
  10. Volatilitate stocastică: modelul HestonVarianța stocastică și parametrii estimați din VIX (CBOE Volatility IndeX, indicele de volatilitate CBOE).
  11. Compararea empirică a modelelorTrei repere pentru randamentele simulate și alegerea modelului.
  12. Studii de caz: volatilitate aspră, persistență și explozii de driftRoughness-ul și persistența volatilității pe SPY și drift bursts în barele de 5 minute.
  13. AI pentru descoperire științificăCe parte din variația prețului provine din discontinuități și verificările necesare.
  14. ConcluziiIdeile principale, verificarea înțelegerii și decizia practică.
  15. AprofundăriExemple detaliate și subiecte avansate.
  16. AnexăDerivările și tabelele complete.

Traseul capitolului

Capitolul construiește un singur limbaj pentru prețuri observate la orice frecvență, în două părți:

  1. Prima parte obține mișcarea browniană ca limită a unui random walk rescalat, dezvoltă calculul Itô pornind de la variația pătratică și îl folosește pentru a rezolva și a simula ecuații diferențiale stocastice: mișcarea browniană geometrică (GBM) pentru prețuri și procesul Ornstein–Uhlenbeck (OU) pentru variabile care revin la medie.
  2. Partea a doua întreabă ce parametri identifică datele, schimbă măsura de probabilitate pentru a evalua active derivate și adaugă salturi și volatilitate stocastică.

Fiecare model este estimat pe aceleași date și apoi comparat cu S&P 500 pe trei repere.

Cum descriem prețurile în timp continuu?

Slide 2 în PDF

Prețurile sînt înregistrate la frecvențe foarte diferite: închideri zilnice pentru istorii lungi, bare de cinci minute pentru ultimii ani și cotații la cîteva milisecunde pe piețele electronice. Un model formulat în timp continuu are implicații simultan la orice interval de eșantionare, deci un singur set de parametri trebuie să explice randamentele zilnice, randamentele intrazilnice și agregarea lor. Întrebarea capitolului este dacă un singur model poate face acest lucru.

Materialul are două părți:

  1. Partea I tratează mișcarea browniană, calculul Itô, simularea, GBM și revenirea la medie (mean reversion).
  2. Partea a II-a tratează estimarea difuziilor, schimbarea măsurii, salturile (modelul Merton) și volatilitatea stocastică (modelul Heston), urmate de compararea modelelor estimate cu datele, de două studii de caz și de o secțiune despre cercetarea asistată de inteligența artificială (AI).

Evaluarea opțiunilor, care folosește aceleași instrumente, este subiectul Capitolului 12.

Pe scurt

Ce explică modelele
  • Le poate descrie un singur model la orice scară de timp?
    • prețurile sînt înregistrate zilnic sau la cîteva milisecunde
  • Partea I: mișcarea browniană, calculul Itô, simularea, mișcarea browniană geometrică (GBM), revenirea la medie
  • Partea a II-a: modele și date
    • estimarea difuziilor, schimbarea măsurii, salturile, volatilitatea stocastică
    • modelele confruntate cu datele și două studii de caz
    • descoperirea asistată de AI (Artificial Intelligence — inteligență artificială)
Rezultatele învățării
  • derivați soluții cu lema lui Itô și simulați o ecuație diferențială stocastică cu un ordin de eroare cunoscut
  • calculați estimări GBM, Ornstein–Uhlenbeck, Merton și Heston, cu erori standard care reflectă ce identifică eșantionul
  • interpretați ce caracteristică a datelor reproduce fiecare model și ce caracteristică nu reproduce niciunul
  • interpretați de ce evaluarea opțiunilor (Capitolul 12) și modelele de dobîndă folosesc acest limbaj
  • Aprofundări și Anexa: lectură pentru familiarizare

Indicii și sursele de date

Slide 3 în PDF

Partea empirică folosește trei serii de randamente și două serii de niveluri. S&P 500 și BET (Bucharest Exchange Trading), indicele de referință al Bursei de Valori București (BVB), sînt indici bursieri; Bitcoin se tranzacționează șapte zile pe săptămînă. VIX, indicele de volatilitate Cboe calculat de Chicago Board Options Exchange (CBOE) din prețurile opțiunilor pe S&P 500, este folosit ca aproximare a varianței în modelul Heston. Rata pe termen scurt este randamentul titlurilor de stat americane pe 3 luni, seria DTB3 din Federal Reserve Economic Data (FRED). Perioadele, numărul de observații și regulile de curățare sînt în Aprofundări și în Anexă.

Pe scurt

  • VIX: Cboe Volatility Index — indice al volatilității implicite a indicelui S&P 500.
  • BET: Bucharest Exchange Trading (index) — indicele de referință al Bursei de Valori București.
  • BVB: Bursa de Valori București.
  • CBOE: Chicago Board Options Exchange — bursa de opțiuni din Chicago.
  • FRED: Federal Reserve Economic Data — baza de date economice a Rezervei Federale (St. Louis).
  • DTB3: 3-Month Treasury Bill: secondary market rate — codul FRED al randamentului titlurilor de stat americane pe 3 luni.
  • Exemplele detaliate și subiectele avansate sînt în Aprofundări, după Concluzii
    • butonul din subsol duce la ele, iar butonul Înapoi revine la slide-ul de plecare

Sinteza secțiunii

Întrebarea capitolului este deci atît matematică, cît și empirică: fiecare model este judecat după caracteristicile datelor pe care le reproduce la frecvențele observate. Construcția începe cu cel mai simplu obiect în timp continuu, mișcarea browniană.

De la mersul aleator la mișcarea browniană

Mișcarea browniană (Brownian motion) este piesa de bază a tuturor modelelor din capitol. Secțiunea o obține ca limită a random walk-ului folosit pentru logaritmul prețului în Capitolul 2 și enumeră proprietățile care o fac în același timp ușor de manevrat și neobișnuită: incremente gaussiene independente, proprietatea de martingal, autosimilaritatea și traiectorii continue, dar nicăieri derivabile.

De la mersul aleator la mișcarea browniană: teorema lui Donsker (1/3)

Slide 4 în PDF

Prețurile se mișcă în pași discreți, iar întrebarea este ce proces apare cînd pașii devin mai mici și mai frecvenți. Pornim de la random walk-ul \(S_0 = 0\), \(S_k = S_{k-1} + \xi_k = \xi_1 + \cdots + \xi_k\), în care pașii \(\xi_i\) sînt independenți și identic distribuiți (i.i.d.), cu media 0 și dispersia 1. În modelul pentru logaritmul prețului din Capitolul 2, \(\xi_k\) este randamentul standardizat al zilei \(k\).

Pentru a trece la timp continuu, punem \(n\) pași în fiecare unitate de timp și rescalăm:

\[W_n(t) = \frac{S_{\lfloor nt \rfloor}}{\sqrt{n}}, \qquad \operatorname{Var}\big(W_n(t)\big) = \frac{\lfloor nt \rfloor}{n} \to t,\]
(11.1)

unde \(\lfloor nt \rfloor\) este partea întreagă a lui \(nt\). Factorul \(\sqrt{n}\) este singurul care dă o limită nedegenerată: împărțirea la \(n\) ar trimite procesul la zero, iar fără nicio împărțire dispersia ar exploda. Pentru fiecare \(t\) fixat, teorema limită centrală (CLT, central limit theorem) dă \(W_n(t) \to N(0, t)\).

Teorema lui Donsker este mai puternică: \(W_n \Rightarrow W\), unde \(\Rightarrow\) notează convergența în distribuție a întregii traiectorii, nu doar a valorii la fiecare dată (Billingsley, 1999). Limita \(W\) este mișcarea browniană, oricare ar fi distribuția pașilor. Prin urmare, și funcționalele traiectoriei, cum este maximul ei, converg la cele ale mișcării browniene.

Pe scurt

  • Întrebarea: ce proces obținem cînd pașii devin tot mai mici și tot mai deși?
    • prețurile se modifică în pași discreți
  • Mers aleator (random walk): \(S_0 = 0\), \(S_k = S_{k-1} + \xi_k = \xi_1 + \cdots + \xi_k\)
    • pașii \(\xi_i\) sînt i.i.d., de medie 0 și dispersie 1
    • i.i.d.: independent and identically distributed — independente și identic distribuite
    • Este modelul logaritmului prețului din Capitolul 2, cu \(\xi_k\) randamentul standardizat al zilei \(k\)
  • Mers aleator scalat: \(W_n(t) = S_{\lfloor nt \rfloor}/\sqrt{n}\), cu \(n\) pași pe unitatea de timp
    • \(\lfloor nt \rfloor\): partea întreagă a lui \(nt\)
    • De ce \(\sqrt{n}\): \(\Var(W_n(t)) = \lfloor nt \rfloor/n \to t\)
    • împărțită la \(n\), limita ar fi 0, iar neîmpărțită, dispersia ar exploda
  • Teorema limită centrală (CLT): \(W_n(t) \to N(0, t)\) pentru fiecare \(t\) în parte
  • Teorema lui Donsker: \(W_n \Rightarrow W\) pentru întreaga traiectorie Billingsley (1999)
    • \(\Rightarrow\): convergență în distribuție
    • rezultatul are loc oricare ar fi legea pașilor

De la mersul aleator la mișcarea browniană: teorema lui Donsker (2/3)

Slide 5 în PDF

Graficul din stînga arată trei random walk-uri rescalate pe \([0, 1]\), cu \(n = 5\), 50 și 5 000 de pași; axa verticală este \(S_{\lfloor nt \rfloor}/\sqrt{n}\). Graficul din dreapta arată, în funcție de \(n\) pe o axă logaritmică, probabilitatea ca maximul lui \(W_n\) pe \([0, 1]\) să depășească nivelul \(a\), estimată din traiectorii simulate, cu interval de încredere (CI, confidence interval) de 95%. Linia orizontală este limita browniană dată de principiul reflexiei (reflection principle), \(P(\max_{t \le 1} W(t) > a) = 2\,(1 - \Phi(a))\), unde \(\Phi\) este funcția de repartiție a distribuției Normale standard. Cursorul fixează nivelul \(a\), iar butonul ▶ îl crește pas cu pas.

    Întrebare pentru sală Pentru mișcarea browniană standard pe [0, 1], ridicăm pragul de la a = 1 la a = 2. Cît devine probabilitatea ca maximul traiectoriei să depășească pragul?
    Răspuns

    Circa 0,0455. Principiul reflexiei dă P(max W(t) > 2) = 2[1 − Φ(2)] ≈ 0,0455, față de 0,3173 la a = 1. Valoarea 0,0228 = 1 − Φ(2) privește doar W(1), nu maximul întregii traiectorii. Valoarea 0,1587 înjumătățește greșit probabilitatea de la pragul 1: probabilitatea nu este invers proporțională cu pragul. Pe pagină, la a = 2, random walk-ul cu n = 2 000 de pași dă 0,042. Curbele random walk ilustrează convergența către reperul brownian; ele nu provin din eșantionarea aceleiași traiectorii browniene.

    La \(a = 1\), probabilitatea crește de la 0,220 pentru \(n = 5\) la 0,316 pentru \(n = 2000\), spre limita \(2(1 - \Phi(1)) = 0{,}3173\). Un random walk cu puțini pași subestimează maximul, pentru că nu vede valorile atinse între punctele grilei.

    Pe scurt

    CI: Confidence Interval. MFM_ch11_donsker

    De la mersul aleator la mișcarea browniană: teorema lui Donsker (3/3)

    Slide 6 în PDF

    Pe măsură ce \(n\) crește, traiectoria în trepte devine continuă și neregulată, ca o traiectorie browniană. Probabilitățile din graficul din dreapta sînt estimate din 20 000 de traiectorii, iar convergența lor la limita browniană este lentă, de ordinul \(1/\sqrt{n}\).

    Interpretarea financiară este directă. O grilă rară ratează maximul atins între observații, deci prețurile de închidere zilnice subestimează amplitudinea intrazilnică. Orice statistică ce depinde de extremele traiectoriei, cum sînt atingerea unei bariere sau un drawdown, este deplasată cînd e calculată din observații rare, iar deplasarea scade doar ca \(1/\sqrt{n}\).

    Pe scurt

    • Stînga: trei mersuri aleatoare scalate pe \([0, 1]\), cu \(n = 5\), \(50\) și \(5\,000\) de pași
      • axa verticală este \(S_{\lfloor nt \rfloor}/\sqrt{n}\)
      • Cu \(n\) mare, traiectoria în trepte devine continuă și neregulată, ca o traiectorie browniană
    • Dreapta: \(P(\max_{t \le 1} W_n(t) > 1)\) în funcție de \(n\), pe o axă logaritmică
      • probabilitatea este estimată din 20 000 de traiectorii (CI de 95%)
      • Probabilitatea crește de la \(0{,}220\) (\(n = 5\)) la \(0{,}316\) (\(n = 2\,000\))
      • limita este valoarea din principiul reflexiei, \(2(1 - \Phi(1)) = 0{,}3173\)
      • \(\Phi\): funcția de repartiție a distribuției Normale standard
    • O grilă rară nu surprinde maximul atins între observații
    • Convergența este lentă, de ordinul \(1/\sqrt{n}\)
      • închiderile zilnice subestimează amplitudinea din timpul zilei
    MFM_ch11_donsker

    Mișcarea browniană: definiție și proprietăți

    Slide 7 în PDF

    O mișcare browniană standard \((W_t)_{t \ge 0}\) este definită prin patru proprietăți:

    1. \(W_0 = 0\);
    2. incrementele pe intervale disjuncte sînt independente;
    3. \(W_t - W_s \sim N(0, t - s)\) pentru \(s < t\);
    4. traiectoriile sînt continue.

    Existența ei a fost demonstrată de Wiener (1923). Pe o grilă, ea se simulează exact prin \(W_{t + \Delta t} = W_t + \sqrt{\Delta t}\,Z\), cu \(Z \sim N(0, 1)\).

    Din definiție decurg mai multe proprietăți. Mișcarea browniană este un proces gaussian cu \(\operatorname{Cov}(W_s, W_t) = \min(s, t)\). Este un martingal: \(\mathbb{E}[W_t \mid \mathcal{F}_s] = W_s\), unde \(\mathcal{F}_s\) este informația disponibilă la \(s\); aceasta este versiunea în timp continuu a random walk-ului pieței eficiente din Capitolul 2. Este autosimilară (self-similar): pentru orice \(c > 0\), procesul rescalat \(\{c^{-1/2} W_{ct}\}\) este tot o mișcare browniană standard, deci o bucată mărită a unei traiectorii are aceeași lege ca traiectoria întreagă.

    Ultima proprietate este cea care schimbă calculul. Traiectoriile sînt continue, dar nicăieri derivabile: raportul \((W_{t+h} - W_t)/h\) are abaterea standard \(1/\sqrt{h}\), care tinde la infinit cînd \(h \to 0\). Calculul obișnuit, care se sprijină pe derivate, nu se aplică traiectoriilor browniene. Traiectoriile și scalarea lor sînt ilustrate în Aprofundări.

    Pe scurt

    • Mișcarea browniană standard: pornește din \(W_0 = 0\), cu incremente independente și traiectorii continue
      • incrementele sînt \(W_t - W_s \sim N(0, t - s)\) pentru \(s < t\)
      • Existența: Wiener (1923)
      • simularea pe o grilă: \(W_{t + \Delta t} = W_t + \sqrt{\Delta t}\,Z\), \(Z \sim N(0, 1)\)
    • Un proces gaussian cu \(\Cov(W_s, W_t) = \min(s, t)\)
    • Un martingal: \(\E[W_t \mid \mathcal{F}_s] = W_s\)
      • \(\mathcal{F}_s\) este informația disponibilă pînă la \(s\)
      • este modelul de mers aleator al pieței eficiente din Capitolul 2
    • Autosimilaritate: \(\{c^{-1/2} W_{ct}\}\) este tot o mișcare browniană standard, pentru orice \(c > 0\)
    • Traiectoriile sînt continue, dar nicăieri derivabile
      • \((W_{t + h} - W_t)/h\) are abaterea standard \(1/\sqrt{h} \to \infty\)
      • calculul diferențial clasic nu se aplică

    Sinteza secțiunii

    Teorema lui Donsker justifică mișcarea browniană ca limită a oricărui random walk cu pași de dispersie finită. Traiectoriile ei sînt continue, dar prea neregulate pentru calculul obișnuit; secțiunea următoare măsoară această neregularitate și construiește calculul care îl înlocuiește.

    Variația pătratică și calculul Itô

    O traiectorie browniană are lungime infinită, dar o sumă a pătratelor incrementelor finită și deterministă. Secțiunea definește cele două noțiuni de variație, le măsoară pe simulări și pe S&P 500 și folosește variația pătratică pentru a construi integrala Itô și lema lui Itô, regula de derivare a funcțiilor compuse din calculul stocastic.

    Variația totală și variația pătratică

    Slide 8 în PDF

    De ce eșuează calculul obișnuit pe o traiectorie browniană și ce îl înlocuiește? Luăm o grilă \(0 = t_0 < \cdots < t_n = T\) cu pasul \(\Delta t = T/n\) și incrementele \(\Delta W_k = W_{t_k} - W_{t_{k-1}}\). Variația totală (total variation) \(\sum_k |\Delta W_k|\), lungimea traiectoriei măsurată pe grilă, are media \(\sqrt{2nT/\pi}\), care tinde la infinit: o traiectorie browniană are lungime infinită.

    Variația pătratică (quadratic variation) se comportă altfel:

    \[[W]_T = \lim_{n \to \infty} \sum_{k=1}^{n} (\Delta W_k)^2 = T, \qquad \operatorname{Var}(Q_n) = \frac{2T^2}{n},\]
    (11.2)

    unde \(Q_n = \sum_{k=1}^{n} (\Delta W_k)^2\). În (11.2), o sumă de termeni aleatori are o limită deterministă, pentru că dispersia ei se anulează pe măsură ce grila devine mai fină. Cu un an de date zilnice, eroarea relativă a lui \(Q_n\) este \(\sqrt{2/252}\), circa 9%. Aceasta este ideea din spatele varianței realizate (realised variance) din Capitolul 9.

    Calculul Itô rezumă (11.2) prin notația \((\mathrm{d}W_t)^2 = \mathrm{d}t\): pe un interval scurt, pătratul incrementului nu este neglijabil față de lungimea intervalului, cum ar fi pentru o traiectorie derivabilă, ci egal cu ea la limită.

    Pe scurt

    • Întrebarea: de ce nu se aplică calculul diferențial clasic unei traiectorii browniene?
      • și ce îl înlocuiește?
    • Variația totală \(\sum_k |\Delta W_k|\), pe grila \(0 = t_0 < \cdots < t_n = T\)
      • pasul grilei este \(\Delta t = T/n\), iar \(\Delta W_k = W_{t_{k}} - W_{t_{k-1}}\)
      • Media ei este \(\sqrt{2nT/\pi} \to \infty\)
      • o traiectorie browniană are lungime infinită
    • Variația pătratică \([W]_T = \lim \sum_k (\Delta W_k)^2 = T\)
      • o sumă aleatoare cu o limită deterministă
      • \(Q_n = \sum_{k=1}^{n} (\Delta W_k)^2\), \(\Var(Q_n) = 2T^2/n\)
      • un an de date zilnice dă o eroare relativă de circa 9% (\(\sqrt{2/252}\))
      • este principiul varianței realizate (Capitolul 9)
    • Scrierea prescurtată din calculul Itô: \((\dd W_t)^2 = \dd t\)

    Variația pătratică: simulare și date (1/2)

    Slide 9 în PDF

    Graficul din stînga urmărește o traiectorie browniană pe \([0, 1]\) observată pe grile de la 16 la 65 536 de intervale și arată suma \(\sum_k |\Delta W_k|^p\) în funcție de numărul de intervale. Cursorul fixează exponentul \(p\): \(p = 1\) dă variația totală, iar \(p = 2\) variația pătratică; butonul ▶ mută \(p\) de la 0,5 la 3. Graficul din dreapta arată suma cumulată a pătratelor randamentelor logaritmice zilnice ale S&P 500, \(\sum r_t^2\), împreună cu dreapta \(\sigma^2 t\) pe care ar produce-o GBM; selectorul evidențiază una dintre două perioade de criză.

      Întrebare pentru sală Pentru o mișcare browniană standard pe [0, 1], fixăm p = 1,5. Dacă numărul intervalelor egale crește de patru ori, cu ce factor se modifică media sumei Σ|ΔW|^1,5?
      Răspuns

      Cu √2 ≈ 1,41. Media este n^(1 − p/2)·E|Z|^p, cu Z avînd distribuția Normală standard; pentru p = 1,5, factorul este 4^0,25 = √2. Factorul 4 ignoră micșorarea incrementelor; 1/√2 inversează sensul modificării. Relația privește media, nu o egalitate exactă pentru fiecare traiectorie: pe traiectoria din pagină, suma trece de la 9,75 cu 16 384 de intervale la 13,83 cu 65 536 de intervale (raport 1,42). Doar exponentul 2 dă o limită nedegenerată: Σ(ΔW)² tinde la T = 1 (1,006 pe grila cea mai fină), de aceea (dW)² = dt.

      Pentru \(p = 2\), suma se stabilizează la 1,006 pe grila cea mai fină, aproape de \(T = 1\), în timp ce pentru \(p = 1\) continuă să crească: 205 pe grila cea mai fină, față de \(\sqrt{2n/\pi} = 204\). Doar exponentul 2 dă o limită care nu este nici zero, nici infinită.

      Variația pătratică: simulare și date (2/2)

      Slide 10 în PDF

      Pe S&P 500, suma cumulată a pătratelor randamentelor logaritmice zilnice ajunge la 1,188 în 36,7 ani, ceea ce corespunde unei volatilități anuale medii de 18,0%. Sub GBM, cu volatilitate constantă \(\sigma\), variația pătratică ar crește de-a lungul dreptei \(\sigma^2 t\).

      Datele nu urmează dreapta: suma crește în trepte. Între septembrie 2008 și martie 2009, 1,6% din zile aduc 15,2% din variația pătratică a întregului eșantion; între februarie și aprilie 2020, 0,5% din zile aduc 7,8%. Volatilitatea este deci ea însăși aleatoare. Modelul Heston din Secțiunea 10 îi dă o dinamică proprie.

      Pe scurt

      • Stînga: o traiectorie browniană pe grile cu 16 pînă la 65 536 de intervale
        • variația pătratică se stabilizează la \(1{,}006\) (\(T = 1\))
        • variația totală continuă să crească, \(205\) față de \(\sqrt{2n/\pi} = 204\)
      • Dreapta: suma cumulată \(\sum r_t^2\) pentru S&P 500
        • suma este \(1{,}188\) în 36,7 ani (volatilitate medie \(18{,}0\%\))
        • sub mișcarea browniană geometrică ar urma dreapta \(\sigma^2 t\)
      • Suma crește în trepte
        • septembrie 2008 – martie 2009: \(1{,}6\%\) din zile, dar \(15{,}2\%\) din variația pătratică
        • februarie – aprilie 2020: \(0{,}5\%\) din zile, dar \(7{,}8\%\) din variația pătratică
        • volatilitatea este ea însăși aleatoare (Heston, Secțiunea 10)
      MFM_ch11_quadratic_variation

      Integrala Itô (1/2)

      Slide 11 în PDF

      Cîștigul obținut prin deținerea a \(H_t\) unități dintr-un activ al cărui preț se mișcă precum \(W\) este \(\int_0^T H_t\,\mathrm{d}W_t\). Integrala nu poate fi definită traiectorie cu traiectorie ca integrală Riemann–Stieltjes, deoarece variația totală a lui \(W\) este infinită. Integrala Itô o definește ca limită în medie pătratică a unor sume în care integrandul este evaluat în capătul stîng al fiecărui interval:

      \[\int_0^T H_t\,\mathrm{d}W_t = \lim_{n \to \infty} \sum_{k=1}^{n} H_{t_{k-1}}\,\big(W_{t_k} - W_{t_{k-1}}\big).\]
      (11.3)

      Integrandul trebuie să fie adaptat (adapted), adică \(H_t\) folosește doar informația disponibilă pînă la \(t\), și să satisfacă \(\mathbb{E}\big[\int_0^T H_t^2\,\mathrm{d}t\big] < \infty\). Capătul stîng are o semnificație financiară: poziția pe \([t_{k-1}, t_k]\) se alege înainte ca următoarea mișcare a prețului să fie cunoscută.

      Pe scurt

      • Scopul: un sens pentru \(\int_0^T H_t\,\dd W_t\)
        • integrala este cîștigul din deținerea a \(H_t\) unități dintr-un activ cu prețul \(W\)
        • integrala Riemann–Stieltjes nu se aplică, deoarece variația totală este infinită
      • Integrala Itô: limita în medie pătratică a sumelor cu integrandul evaluat în capătul stîng
        • \(\int_0^T H_t\,\dd W_t = \lim_{n \to \infty} \sum_{k=1}^{n} H_{t_{k-1}}\,(W_{t_k} - W_{t_{k-1}})\)
        • pentru \(H\) adaptat, cu \(\E\left[\int_0^T H_t^2\,\dd t\right] < \infty\)
        • \(H_t\) folosește doar informația pînă la \(t\): poziția se alege înaintea următoarei mișcări a prețului

      Integrala Itô (2/2)

      Slide 12 în PDF

      Integrala Itô are media zero, \(\mathbb{E}\big[\int_0^T H_t\,\mathrm{d}W_t\big] = 0\), iar momentul ei de ordinul doi este dat de izometria Itô (Itô isometry),

      \[\mathbb{E}\Big[\Big(\int_0^T H_t\,\mathrm{d}W_t\Big)^2\Big] = \mathbb{E}\Big[\int_0^T H_t^2\,\mathrm{d}t\Big].\]
      (11.4)

      În plus, \(t \mapsto \int_0^t H_s\,\mathrm{d}W_s\) este un martingal: nicio strategie de tranzacționare într-un activ fără drift nu cîștigă în medie. Sub condiții de integrabilitate mai slabe, integrala este doar un martingal local; detaliile sînt în Anexă.

      Alegerea punctului de evaluare contează. Integrala Stratonovich evaluează integrandul în media capetelor, \(\tfrac12(H_{t_{k-1}} + H_{t_k})\), și dă un alt număr, pentru că termenul suplimentar preia variația pătratică. Finanțele folosesc integrala Itô, deoarece o poziție evaluată în capătul drept ar folosi prețul de la \(t_k\) înainte ca acesta să fie cunoscut. Un exemplu rezolvat, \(\int_0^T W_t\,\mathrm{d}W_t\), este în Aprofundări.

      Pe scurt

      • Media zero și izometria Itô
        • media zero: \(\E\left[\int_0^T H_t\,\dd W_t\right] = 0\)
        • izometria: \(\E\left[\left(\int_0^T H_t\,\dd W_t\right)^2\right] = \E\left[\int_0^T H_t^2\,\dd t\right]\)
        • \(t \mapsto \int_0^t H_s\,\dd W_s\) este un martingal
        • nicio strategie nu cîștigă în medie (condiții mai slabe: Anexa)
      • Integrandul mediat între capete, \(\tfrac12(H_{t_{k-1}} + H_{t_k})\), dă integrala Stratonovich, cu altă valoare
        • în finanțe se folosește integrala Itô: integrandul mediat ar folosi prețul de la \(t_k\), necunoscut cînd se alege poziția

      Procese Itô și lema lui Itô

      Slide 13 în PDF

      Un proces Itô se scrie \(\mathrm{d}X_t = a_t\,\mathrm{d}t + b_t\,\mathrm{d}W_t\), notație prescurtată pentru \(X_t = X_0 + \int_0^t a_s\,\mathrm{d}s + \int_0^t b_s\,\mathrm{d}W_s\), cu un drift adaptat \(a_t\) și un coeficient de difuzie adaptat \(b_t\). Pentru o funcție \(f(t, x)\) continuu derivabilă o dată în \(t\) și de două ori în \(x\), lema lui Itô (Itô's lemma) (Itô, 1944) dă

      \[\mathrm{d}f(t, X_t) = \Big(f_t + a_t f_x + \tfrac{1}{2} b_t^2 f_{xx}\Big)\,\mathrm{d}t + b_t f_x\,\mathrm{d}W_t,\]
      (11.5)

      unde \(f_t = \partial f/\partial t\), \(f_x = \partial f/\partial x\) și \(f_{xx} = \partial^2 f/\partial x^2\) sînt evaluate în \((t, X_t)\).

      Lema rezultă dintr-o dezvoltare Taylor de ordinul doi, cu regulile de înmulțire \(\mathrm{d}t \cdot \mathrm{d}t = 0\), \(\mathrm{d}t \cdot \mathrm{d}W = 0\) și \(\mathrm{d}W \cdot \mathrm{d}W = \mathrm{d}t\). În calculul obișnuit, termenul de ordinul doi dispare; aici \((\mathrm{d}X_t)^2 = b_t^2\,\mathrm{d}t\) conform (11.2), deci termenul \(\tfrac{1}{2} b_t^2 f_{xx}\,\mathrm{d}t\) rămîne. Acest termen este întreaga diferență față de regula obișnuită de derivare a funcțiilor compuse și reapare în toate modelele capitolului. Versiunea multivariată, cu covariația pătratică, este în Aprofundări.

      Pe scurt

      • Proces Itô: \(\dd X_t = a_t\,\dd t + b_t\,\dd W_t\)
        • driftul \(a_t\) și coeficientul de difuzie \(b_t\) sînt ambii adaptați
        • Prescurtare pentru \(X_t = X_0 + \int_0^t a_s\,\dd s + \int_0^t b_s\,\dd W_s\)
      • Lema lui Itô: pentru \(f(t, x)\) cu derivate continue, o dată în \(t\) și de două ori în \(x\) Itô (1944)
        • \(\dd f(t, X_t) = \left(f_t + a_t f_x + \tfrac{1}{2} b_t^2 f_{xx}\right)\dd t + b_t f_x\,\dd W_t\)
        • Derivatele parțiale evaluate în \((t, X_t)\): \(f_t = \partial f/\partial t\), \(f_x = \partial f/\partial x\), \(f_{xx} = \partial^2 f/\partial x^2\)
      • Regulă practică: dezvoltare Taylor de ordinul doi
        • regulile de calcul: \(\dd t \cdot \dd t = 0\), \(\dd t \cdot \dd W = 0\), \(\dd W \cdot \dd W = \dd t\)
        • Termenul de ordinul doi \(\tfrac{1}{2} b_t^2 f_{xx}\,\dd t\) nu dispare
        • aceasta este singura diferență față de calculul clasic

      Sinteza secțiunii

      Variația pătratică, \((\mathrm{d}W)^2 = \mathrm{d}t\), este faptul pe care se sprijină restul capitolului: definește integrala Itô, adaugă termenul de ordinul doi în regula de derivare și, în date, arată că volatilitatea nu este constantă.

      Ecuații diferențiale stocastice și simulare

      Majoritatea modelelor din capitol sînt ecuații diferențiale stocastice (SDE, stochastic differential equations) ale căror drift și difuzie depind de starea curentă. Unele au soluții exacte, altele trebuie simulate pe o grilă. Secțiunea prezintă cele două scheme standard și măsura acurateței lor de-a lungul traiectoriilor.

      Ecuații diferențiale stocastice și schema Euler–Maruyama

      Slide 14 în PDF

      O ecuație diferențială stocastică specifică dinamica lui \(X\) prin funcții de starea curentă:

      \[\mathrm{d}X_t = a(t, X_t)\,\mathrm{d}t + b(t, X_t)\,\mathrm{d}W_t, \qquad X_0 \text{ dat}.\]
      (11.6)

      GBM, procesul Ornstein–Uhlenbeck și modelul Merton au distribuții de tranziție exacte, deci pot fi simulate pe orice grilă fără eroare de discretizare. Modelul Heston are o funcție caracteristică în formă închisă, dar nicio tranziție elementară ușor de simulat; simularea exactă există Broadie & Kaya (2006), dar este costisitoare. Condițiile de existență și unicitate a soluțiilor sînt în Anexă.

      Cea mai simplă aproximare, schema Euler–Maruyama (Higham, 2001), îngheață coeficienții pe fiecare pas:

      \[X_{k+1} = X_k + a(X_k)\,\Delta t + b(X_k)\,\Delta W_k, \qquad \Delta W_k = \sqrt{\Delta t}\,Z_k,\]
      (11.7)

      unde \(X_k\) este aproximarea la \(t_k = k\Delta t\), iar \(Z_k\) sînt i.i.d. \(N(0, 1)\). Întrebarea este cît de mare este eroarea de discretizare care rezultă.

      Pe scurt

      • Întrebarea: cum simulăm un model a cărui tranziție (legea lui \(X_{t+\Delta t}\) dat fiind \(X_t\)) nu este ușor de simulat, ca Heston?
        • și cît de mare este eroarea de discretizare?
        • simularea exactă există, dar este costisitoare: Broadie & Kaya (2006)
      • O ecuație diferențială stocastică (SDE): \(\dd X_t = a(t, X_t)\,\dd t + b(t, X_t)\,\dd W_t\), \(X_0\) dat
        • SDE: stochastic differential equation
        • driftul și difuzia depind de starea curentă
        • GBM, Ornstein–Uhlenbeck și Merton au tranziții exacte: le simulăm fără eroare de discretizare
        • Pentru Heston, doar funcția caracteristică are formă închisă
        • Condițiile de existență a soluției: Anexa
      • Euler–Maruyama: \(a\) și \(b\) sînt menținuți constanți pe fiecare pas Higham (2001)
        • \(X_{k+1} = X_k + a(X_k)\,\Delta t + b(X_k)\,\Delta W_k\), \(\Delta W_k = \sqrt{\Delta t}\,Z_k\)
        • \(X_k\) este aproximarea la \(t_k = k\Delta t\), iar \(Z_k\) sînt i.i.d. \(N(0, 1)\)

      Schema Milstein și convergența tare

      Slide 15 în PDF

      Schema Milstein (Milstein, 1975) adaugă termenul următor al dezvoltării Itô–Taylor:

      \[X_{k+1} = X_k + a(X_k)\,\Delta t + b(X_k)\,\Delta W_k + \tfrac{1}{2}\, b(X_k)\, b'(X_k)\,\big[(\Delta W_k)^2 - \Delta t\big],\]
      (11.8)

      cu \(b' = \mathrm{d}b/\mathrm{d}x\). Corecția are media condiționată zero, pentru că \(\mathbb{E}[(\Delta W_k)^2] = \Delta t\), deci nu schimbă valoarea așteptată a pasului; ea îmbunătățește acuratețea fiecărei traiectorii.

      Acuratețea traiectoriilor se măsoară prin eroarea tare (strong error), \(\mathbb{E}|X_T - X_T^{\Delta t}| \le C\,\Delta t^{\gamma}\), unde \(X_T\) este soluția exactă, \(X_T^{\Delta t}\) schema cu pasul \(\Delta t\), \(C\) o constantă și \(\gamma\) ordinul tare. Euler–Maruyama are \(\gamma = 1/2\), iar Milstein \(\gamma = 1\). Ordinul tare contează pentru mărimi care depind de traiectorie, cum sînt erorile de acoperire (hedging errors) și atingerea barierelor. Valorile așteptate ale funcțiilor de \(X_T\) depind în schimb de ordinul slab, discutat împreună cu o comparație numerică a celor două scheme în Aprofundări.

      Pe scurt

      • Milstein: adăugăm următorul termen Itô–Taylor Milstein (1975)
        • \(X_{k+1} = X_k + a(X_k)\,\Delta t + b(X_k)\,\Delta W_k + \tfrac{1}{2} b(X_k)\,b'(X_k)\left[(\Delta W_k)^2 - \Delta t\right]\)
        • \(b' = \dd b/\dd x\)
        • Corecția are media condiționată zero
        • crește ordinul tare (precizia traiectoriei), nu și ordinul slab (precizia mediilor)
      • Eroarea tare: \(\E|X_T - X_T^{\Delta t}| \le C\,\Delta t^{\gamma}\)
        • măsoară cît de aproape este fiecare traiectorie simulată de cea adevărată
        • \(X_T\) este soluția exactă, iar \(X_T^{\Delta t}\) soluția schemei cu pasul \(\Delta t\)
        • \(C\) este o constantă, iar \(\gamma\) ordinul tare
        • \(\gamma = 1/2\) pentru Euler–Maruyama și \(\gamma = 1\) pentru Milstein
        • contează pentru mărimile dependente de traiectorie: erori de acoperire a riscului (hedging), atingerea unor bariere

      Sinteza secțiunii

      Modelele cu tranziții exacte se simulează fără eroare; celelalte se simulează cu Euler–Maruyama sau Milstein, a căror eroare de-a lungul traiectoriilor scade ca \(\Delta t^{1/2}\), respectiv ca \(\Delta t\). Primul model căruia i se aplică lema lui Itô este modelul de preț din secțiunea următoare.

      Mișcarea browniană geometrică

      Mișcarea browniană geometrică (GBM, geometric Brownian motion) este modelul de referință pentru prețuri: menține prețurile pozitive și dă randamente a căror distribuție nu depinde de nivelul prețului. Secțiunea o rezolvă cu lema lui Itô, o estimează prin verosimilitate maximă, arată cît de imprecis este identificat driftul și îi testează implicațiile pe S&P 500.

      Mișcarea browniană geometrică (GBM) din lema lui Itô (1/2)

      Slide 16 în PDF

      Un model de preț ar trebui să mențină prețurile pozitive și să dea randamente procentuale cu aceeași distribuție la orice nivel al prețului. GBM, propusă de Osborne (1959) și Samuelson (1965) și folosită de Black & Scholes (1973), satisface

      \[\mathrm{d}S_t = \mu S_t\,\mathrm{d}t + \sigma S_t\,\mathrm{d}W_t,\]
      (11.9)

      deci variația procentuală \(\mathrm{d}S_t/S_t\) are driftul constant \(\mu\) și volatilitatea \(\sigma\) pe an.

      Lema lui Itô (11.5) cu \(f(x) = \ln x\), \(f_x = 1/x\), \(f_{xx} = -1/x^2\), \(a_t = \mu S_t\) și \(b_t = \sigma S_t\) dă

      \[\begin{gathered} \mathrm{d}\ln S_t = \big(\mu - \tfrac{1}{2}\sigma^2\big)\,\mathrm{d}t + \sigma\,\mathrm{d}W_t, \\ S_t = S_0 \exp\Big(\big(\mu - \tfrac{1}{2}\sigma^2\big)t + \sigma W_t\Big). \end{gathered}\]
      (11.10)

      Logaritmul prețului este o mișcare browniană cu drift, deci prețurile rămîn pozitive, iar simularea exactă cere doar extrageri din distribuția Normală.

      Pe scurt

      • Întrebarea: ce model de preț rămîne pozitiv?
        • și dă randamente procentuale cu aceeași distribuție la orice nivel al prețului?
      • SDE: \(\dd S_t = \mu S_t\,\dd t + \sigma S_t\,\dd W_t\)
      • Lema lui Itô pentru \(f(x) = \ln x\)
        • \(f_x = 1/x\), \(f_{xx} = -1/x^2\), \(a_t = \mu S_t\), \(b_t = \sigma S_t\)
        • \(\dd \ln S_t = \left(\mu - \tfrac{1}{2}\sigma^2\right)\dd t + \sigma\,\dd W_t\)
        • deci \(S_t = S_0 \exp\left(\left(\mu - \tfrac{1}{2}\sigma^2\right)t + \sigma W_t\right)\)
        • Prețurile rămîn pozitive
        • simularea exactă are nevoie doar de extrageri din distribuția Normală

      Mișcarea browniană geometrică (GBM) din lema lui Itô (2/2)

      Slide 17 în PDF

      Conform (11.10), logaritmul prețului crește cu driftul logaritmic \(m = \mu - \sigma^2/2\), nu cu \(\mu\). Diferența provine din termenul de ordinul doi al lemei lui Itô, iar semnificația ei economică este că volatilitatea reduce creșterea averii investitorului median. Cu \(\sigma = 18\%\), costul este \(\sigma^2/2 = 1{,}6\) puncte procentuale pe an; cu \(\sigma = 67\%\), volatilitatea Bitcoin, ajunge la 22 de puncte procentuale pe an.

      GBM are implicații testabile precise. Randamentele logaritmice \(r_t = \ln(S_t/S_{t - \Delta t})\) sînt i.i.d. \(N(m\Delta t, \sigma^2\Delta t)\) la orice frecvență. Prin urmare, asimetria (skewness) și excesul de kurtosis sînt zero, nu există autocorelație în \(r_t\), \(|r_t|\) sau \(r_t^2\), iar dispersia este proporțională cu orizontul. Restul secțiunii estimează modelul și verifică aceste implicații. Distribuția prețurilor viitoare sub GBM este ilustrată în Aprofundări.

      Pe scurt

      • Logaritmul prețului crește cu driftul logaritmic \(m = \mu - \sigma^2/2\), nu cu \(\mu\)
        • volatilitatea reduce creșterea averii investitorului median
        • Cu \(\sigma = 18\%\), costul este \(\sigma^2/2 = 1{,}6\) puncte procentuale pe an
        • Cu \(\sigma = 67\%\) (Bitcoin), costul ajunge la 22 de puncte procentuale pe an
      • Implicații testabile: \(r_t = \ln(S_t/S_{t - \Delta t})\) i.i.d. \(N(m\Delta t, \sigma^2\Delta t)\) la orice frecvență
        • Asimetria și excesul de kurtosis sînt zero
        • Nu există autocorelație în \(r_t\), \(|r_t|\) sau \(r_t^2\)
        • Dispersia este proporțională cu orizontul

      Estimarea GBM prin verosimilitate maximă

      Slide 18 în PDF

      Cu \(n\) randamente logaritmice la pasul \(\Delta t\), pe un eșantion de \(T = n\Delta t\) ani, estimarea prin verosimilitate maximă (MLE, maximum likelihood estimation) dă

      \[\hat\sigma^2 = \frac{1}{n\Delta t}\sum_t (r_t - \bar r)^2, \qquad \hat m = \frac{\bar r}{\Delta t}, \qquad \hat\mu = \hat m + \frac{\hat\sigma^2}{2},\]

      unde \(\bar r\) este randamentul logaritmic mediu. Sub GBM, cei doi estimatori au precizii foarte diferite:

      \[\mathrm{SE}(\hat\sigma) = \frac{\sigma}{\sqrt{2n}}, \qquad \mathrm{SE}(\hat m) = \frac{\sigma}{\sqrt{T}}.\]
      (11.11)

      Eroarea standard (SE, standard error) a lui \(\hat\sigma\) scade cu numărul de observații, în timp ce SE a lui \(\hat m\) depinde doar de durata calendaristică \(T\). Motivul este că \(\sum_t r_t = \ln(S_T/S_0)\): estimatorul driftului folosește doar primul și ultimul preț, oricîte prețuri s-ar afla între ele.

      Tabelul confirmă asimetria pe cele trei piețe. SE este de 0,1–0,7 puncte procentuale pentru volatilitate, dar de 3–19 puncte procentuale pentru driftul logaritmic. Pentru S&P 500, pe 36,7 ani, \(\hat\sigma = 18{,}0\%\) cu SE 0,13 și \(\hat m = 8{,}3\%\) cu SE 3,0, deci \(\hat\mu = 8{,}3\% + 1{,}62\% = 10{,}0\%\) pe an. Pentru Bitcoin, pe 12,0 ani, driftul logaritmic de 43,1% are o SE de 19,2 puncte procentuale.

      Erorile standard din (11.11) sînt condiționate de GBM. Dacă randamentele sînt independente, dar au excesul de kurtosis \(k\), SE a lui \(\hat\sigma\) crește de \(\sqrt{(k + 2)/2}\) ori, adică de 2,5 ori pentru S&P 500. Un bootstrap pe blocuri dă SE care țin cont și de dependență (Seminarul 11, B1). Cele două SE cer și condiții de moment diferite: SE a driftului cere doar dispersie finită, iar SE a volatilității cere un moment de ordinul patru finit, pus sub semnul întrebării pentru randamentele zilnice în Capitolul 1.

      Pe scurt

      • Estimarea prin verosimilitate maximă (MLE) din \(n\) randamente logaritmice la pasul \(\Delta t\)
        • eșantionul acoperă \(T = n\Delta t\) ani (\(\bar r\): randamentul logaritmic mediu)
        • \(\hat\sigma^2 = \frac{1}{n\Delta t}\sum_t (r_t - \bar r)^2\), \(\hat m = \bar r / \Delta t\), \(\hat\mu = \hat m + \hat\sigma^2/2\)
        • Sub GBM, eroarea standard (SE, standard error) \(\mathrm{SE}(\hat\sigma) = \sigma/\sqrt{2n}\) scade cu numărul de observații
        • În schimb, \(\mathrm{SE}(\hat m) = \sigma/\sqrt{T}\) depinde doar de durata calendaristică
        • motivul: \(\sum_t r_t = \ln(S_T/S_0)\) folosește doar primul și ultimul preț
      Ani\(\hat\sigma\) (%)\(\mathrm{SE}(\hat\sigma)\)\(\hat m\) (%)\(\mathrm{SE}(\hat m)\)
      S&P 500\(36{,}7\)\(18{,}0\)\(0{,}13\)\(8{,}3\)\(3{,}0\)
      BET\(26{,}5\)\(22{,}2\)\(0{,}19\)\(16{,}1\)\(4{,}3\)
      Bitcoin\(12{,}0\)\(66{,}6\)\(0{,}71\)\(43{,}1\)\(19{,}2\)
      • Eroarea standard este de 0,1–0,7 puncte procentuale pentru volatilitate
        • dar de 3–19 puncte pentru driftul logaritmic
      • Pentru S&P 500: \(\hat\mu = 8{,}3\% + 1{,}62\% = 10{,}0\%\) pe an
      • Aceste SE sînt condiționate de GBM
        • cu excesul de kurtosis \(k\), chiar și randamentele independente cresc \(\mathrm{SE}(\hat\sigma)\) de \(\sqrt{(k + 2)/2} = 2{,}5\) ori (S&P 500)
        • SE bootstrap pe blocuri: Seminarul 11, B1
        • SE a driftului cere doar varianță finită
        • SE a volatilității cere moment de ordin patru finit, pus sub semnul întrebării în Capitolul 1

      Precizia estimării driftului (1/2)

      Slide 19 în PDF

      Graficul din stînga arată semilățimea intervalului de încredere de 95% pentru driftul logaritmic, \(1{,}96\,\hat\sigma/\sqrt{T}\), în funcție de numărul de ani de date, pentru fiecare piață; p.p. înseamnă puncte procentuale. Graficul din dreapta estimează driftul logaritmic și volatilitatea S&P 500 pe ferestre rolling, cu intervalele lor de 95%; cursorul fixează lungimea ferestrei între 1 și 20 de ani, iar butonul ▶ o lungește an cu an.

        Întrebare pentru sală Comparăm două modele GBM cu parametri constanți: primul are σ = 20% și 10 ani de date, al doilea σ = 40% și 40 de ani de date. Cum se modifică semilățimea intervalului de 95% pentru driftul logaritmic, de la primul la al doilea?
        Răspuns

        Rămîne aceeași. Semilățimea este 1,96σ/√T: aproximativ 12,4 puncte procentuale în ambele cazuri. Dublarea volatilității compensează exact înjumătățirea lui 1/√T. «Se înjumătățește» ignoră modificarea volatilității; «se dublează» ignoră lungimea perioadei. Pentru S&P 500 (σ = 18%), 10 ani de date dau ±11,2 puncte procentuale, oricît de deasă este grila: cele 2 520 de randamente zilnice nu reduc această semilățime. Pe ferestre de 10 ani, driftul logaritmic variază între −6,0% (2009-03) și 15,8% (2000-09); cu această precizie, oscilațiile nu pot fi atribuite sigur unor schimbări ale driftului.

        Cu ferestre de 10 ani, driftul logaritmic variază între −6,0% (fereastra care se încheie în martie 2009) și 15,8% (septembrie 2000), iar fiecare estimare are un interval de circa ±11 puncte procentuale. Volatilitatea rămîne între 14,1% și 22,3%.

        Pe scurt

        p.p. = puncte procentuale. MFM_ch11_drift_precision

        Precizia estimării driftului (2/2)

        Slide 20 în PDF

        Inversarea relației (11.11) dă durata necesară pentru o precizie dată. Un interval de 95% de ±1 punct procentual cere \((1{,}96\,\hat\sigma/0{,}01)^2\) ani de date: 1 243 de ani pentru S&P 500 și 17 028 de ani pentru Bitcoin. Eșantionarea mai deasă nu ajută, pentru că precizia depinde doar de \(T\).

        Estimările rolling arată același lucru. Cu un interval de circa ±11 puncte procentuale, oscilațiile driftului pe 10 ani între −6,0% și 15,8% nu pot fi atribuite sigur unor schimbări ale driftului adevărat. Volatilitatea, între 14,1% și 22,3%, este estimată precis, dar în mod vizibil nu este constantă.

        Evaluarea opțiunilor din Capitolul 12 ocolește această dificultate: sub măsura neutră la risc (risk-neutral measure), doar \(\sigma\) intră în preț, după cum arată teorema lui Girsanov din Secțiunea 8.

        Pe scurt

        • Stînga: semilățimea CI de 95% pentru drift, în funcție de numărul de ani de date
        • Ani de date necesari pentru o precizie de \(\pm 1\) punct procentual
          • S&P 500: \((1{,}96\,\hat\sigma/0{,}01)^2 = 1\,243\) de ani de date
          • Bitcoin: 17 028 de ani
        • Dreapta: S&P 500 pe ferestre mobile (rolling) de 10 ani
          • Driftul logaritmic variază între \(-6{,}0\%\) (fereastra încheiată în 2009-03) și \(15{,}8\%\) (2000-09)
          • fiecare fereastră are un CI de circa \(\pm 11\) puncte
          • precizia redusă nu permite atribuirea sigură a oscilațiilor unor schimbări ale driftului
          • Volatilitatea rămîne între \(14{,}1\%\) și \(22{,}3\%\): precisă, dar nu constantă
        • Evaluarea opțiunilor din Capitolul 12 evită \(\mu\)
          • sub măsura neutră la risc intră doar \(\sigma\) (Girsanov, Secțiunea 8)
        MFM_ch11_drift_precision

        Adecvarea GBM pentru S&P 500 (1/2)

        Slide 21 în PDF

        Graficul din stînga este un grafic cuantilă–cuantilă (QQ, quantile–quantile) al randamentelor logaritmice zilnice standardizate ale S&P 500 față de distribuția Normală; punctele aflate în afara diagonalei sînt cuantile pe care distribuția Normală nu le reproduce. Cursorul fixează un prag \(k\), în abateri standard, iar indicatorul numără zilele dincolo de \(\pm k\) față de numărul așteptat sub distribuția Normală. Graficul din dreapta arată funcția de autocorelație (ACF, autocorrelation function) a seriei alese cu selectorul, \(|r_t|\), \(r_t^2\) sau \(r_t\), cu banda de 95% a 200 de eșantioane GBM de aceeași lungime.

          Întrebare pentru sală Cîte zile dincolo de ±4 abateri standard ar trebui să apară în 9 245 de zile, dacă randamentele ar avea distribuția Normală?
          Răspuns

          Circa 0,59 = 9 245 · 2(1 − Φ(4)), cu ambele cozi; o singură coadă ar da 0,29. În date sînt 62, iar cea mai rea zi este la −11,3 abateri standard; excesul de kurtosis este 10,9. ACF a lui |r| este 0,27 la lagul 1 și 0,14 la lagul 50, în timp ce banda GBM rămîne sub 0,024.

          La \(k = 4\), 62 de zile se află dincolo de ±4 abateri standard, față de 0,59 așteptate sub distribuția Normală. ACF a lui \(|r_t|\) este 0,27 la lagul 1 și încă 0,14 la lagul 50, în timp ce banda GBM rămîne sub 0,024 în valoare absolută.

          Pe scurt

          ACF: AutoCorrelation Function. MFM_ch11_gbm_vs_data

          Adecvarea GBM pentru S&P 500 (2/2)

          Slide 22 în PDF

          Datele resping prima implicație a GBM, randamentele cu distribuția Normală. Excesul de kurtosis este 10,9 în loc de 0, cea mai rea zi se află la −11,3 abateri standard, iar statistica Jarque–Bera (JB), care testează simultan asimetria zero și excesul de kurtosis zero, este 45 805, față de valoarea critică de 5% de 5,99 din distribuția \(\chi^2_2\). Cifra kurtosis-ului cere prudență: kurtosis-ul de eșantion estimează consistent un kurtosis finit doar dacă momentul de ordinul patru este finit, lucru pus sub semnul întrebării în Capitolul 1, iar inferența asupra lui cere de regulă un moment de ordinul opt finit.

          Datele resping și a doua implicație, independența. Randamentele absolute sînt autocorelate pe cel puțin 50 de zile, mult în afara benzii produse de GBM. GBM eșuează astfel pe ambele fapte stilizate din Capitolul 1 (Cont, 2001): cozile groase și volatility clustering.

          Rezultatul este descriptiv: datele resping două implicații ale GBM fără a identifica mecanismul care le produce. Restul capitolului adaugă revenirea la medie, salturile și volatilitatea aleatoare și întreabă care dintre ele reproduce fiecare caracteristică. Formulele secțiunii sînt adunate într-o recapitulare.

          Pe scurt

          • Stînga: graficul cuantilă–cuantilă (QQ) față de distribuția Normală
            • randamentele logaritmice zilnice sînt standardizate
            • Excesul de kurtosis este \(10{,}9\), în loc de 0
            • kurtosis-ul empiric estimează consistent o kurtosis finită doar cu moment de ordin patru finit, pus sub semnul întrebării în Capitolul 1
            • inferența asupra kurtosis-ului cere, de regulă, moment de ordin opt
            • cea mai rea zi se află la \(-11{,}3\) abateri standard
            • 62 de zile dincolo de \(\pm 4\) abateri standard, față de \(0{,}59\) așteptate sub distribuția Normală
            • Statistica Jarque–Bera (JB) testează simultan asimetria 0 și excesul de kurtosis 0
            • JB este 45 805, față de valoarea critică de 5% de 5,99 (\(\chi^2_2\))
          • Dreapta: funcția de autocorelație (ACF) a lui \(|r_t|\)
            • ACF este \(0{,}27\) la lagul 1 și încă \(0{,}14\) la lagul 50
            • Banda de 95% din 200 de eșantioane GBM de aceeași lungime rămîne sub \(0{,}024\) în valoare absolută
          • GBM nu reproduce niciunul dintre cele două fapte stilizate (cozi groase, gruparea volatilității) din Capitolul 1 Cont (2001)
            • restul capitolului adaugă revenirea la medie, salturile și volatilitatea aleatoare
          • Tipul de dovadă: descriere (arată ce s-a întîmplat în date, fără un test al cauzei)
            • datele resping două implicații ale GBM, fără să identifice mecanismul care le produce
          MFM_ch11_gbm_vs_data

          Sinteza secțiunii

          GBM dă prețuri pozitive și o soluție exactă, volatilitatea ei este estimată precis, dar driftul este identificat doar pe secole. Pe S&P 500 eșuează de două ori: cozile sînt mult mai groase decît sub distribuția Normală, iar randamentele absolute sînt persistente. Secțiunea următoare trece la variabile care nu se îndepărtează, ci revin la un nivel normal.

          Revenirea la medie: procesul Ornstein–Uhlenbeck

          Ratele dobînzii, indicii de volatilitate și spread-urile nu se îndepărtează precum prețurile acțiunilor; ele sînt trase înapoi spre un nivel normal. Procesul Ornstein–Uhlenbeck este cea mai simplă difuzie cu această proprietate. Secțiunea îl definește, arată că eșantioanele lui discrete urmează o autoregresie de ordinul 1, prezintă cele două modele clasice ale ratei pe termen scurt construite pe el și estimează modelul Vasicek pe randamentul titlurilor de stat americane pe 3 luni.

          Procesul Ornstein–Uhlenbeck (OU)

          Slide 23 în PDF

          Cum modelăm o variabilă care revine la un nivel normal? Procesul Ornstein–Uhlenbeck (Uhlenbeck & Ornstein, 1930) rezolvă

          \[\mathrm{d}x_t = \kappa(\theta - x_t)\,\mathrm{d}t + \sigma\,\mathrm{d}W_t, \qquad \kappa > 0,\]
          (11.12)

          unde \(\theta\) este media pe termen lung, \(\kappa\) viteza de revenire la medie, iar \(\sigma\) volatilitatea. Deasupra lui \(\theta\), driftul este negativ, sub \(\theta\) este pozitiv: driftul acționează ca o forță care trage \(x\) înapoi spre \(\theta\), cu o intensitate proporțională cu distanța. Procesul este folosit pentru ratele dobînzii (Vasicek, 1977), volatilitate, spread-uri și prețurile mărfurilor.

          Viteza se raportează de obicei ca timp de înjumătățire (half-life), \(\ln 2/\kappa\), timpul necesar pentru ca abaterea așteptată de la \(\theta\) să se înjumătățească. Cu \(\kappa = 0{,}5\) pe an, timpul de înjumătățire este 1,39 ani. Soluția ecuației (11.12), obținută cu lema lui Itô în trei pași, este derivată în Aprofundări: \(x_t\) are distribuția Normală, cu o medie condiționată care scade exponențial spre \(\theta\) și o dispersie care converge la \(\sigma^2/(2\kappa)\).

          Pe scurt

          • Întrebarea: cum modelăm o variabilă care revine la un nivel normal?
            • Exemple: rata dobînzii sau VIX
            • Spre deosebire de prețul unei acțiuni, variabila nu se îndepărtează de acest nivel
          • SDE: \(\dd x_t = \kappa(\theta - x_t)\,\dd t + \sigma\,\dd W_t\), \(\kappa > 0\) Uhlenbeck & Ornstein (1930)
            • Media pe termen lung \(\theta\), viteza de revenire la medie \(\kappa\), volatilitatea \(\sigma\)
            • Deasupra lui \(\theta\) driftul este negativ, sub \(\theta\) pozitiv: o forță care readuce \(x\) spre \(\theta\)
            • Folosit pentru dobînzi Vasicek (1977), volatilitate, spread-uri și prețuri ale mărfurilor
          • Timpul de înjumătățire \(\ln 2/\kappa\): timpul în care abaterea așteptată de la \(\theta\) se reduce la jumătate
            • Cu \(\kappa = 0{,}5\) pe an, timpul de înjumătățire este de 1,39 ani

          Discretizarea exactă: un AR(1)

          Slide 24 în PDF

          Eșantionat cu pasul \(\Delta t\), procesul OU este exact un model autoregresiv de ordinul 1, AR(1):

          \[\begin{gathered} x_{t+\Delta t} = a + b\,x_t + \varepsilon_t, \\ b = e^{-\kappa\Delta t}, \quad a = \theta(1 - b), \quad \operatorname{Var}(\varepsilon_t) = \frac{\sigma^2}{2\kappa}\,(1 - b^2). \end{gathered}\]
          (11.13)

          Erorile \(\varepsilon_t\) sînt i.i.d. cu distribuția Normală, deci estimatorul de verosimilitate maximă coincide cu metoda celor mai mici pătrate (OLS, ordinary least squares) a lui \(x_{t + \Delta t}\) pe \(x_t\). OLS dă termenul liber \(\hat a\), panta \(\hat b\) și abaterea standard a reziduurilor \(\hat s_\varepsilon\), iar relațiile (11.13) se inversează: \(\hat\kappa = -\ln\hat b/\Delta t\), \(\hat\theta = \hat a/(1 - \hat b)\) și \(\hat\sigma = \hat s_\varepsilon\sqrt{2\hat\kappa/(1 - \hat b^2)}\).

          Erorile standard ale lui \(\hat\kappa\) și \(\hat\theta\) rezultă din metoda delta aplicată covarianței OLS a lui \((\hat a, \hat b)\). Pentru că \(\hat\kappa\) depinde doar de \(\hat b\), cu \(\partial\kappa/\partial b = -1/(b\Delta t)\), ajunge dispersia lui \(\hat b\) (Seminarul 11, A1).

          Cu date zilnice, \(b = e^{-\kappa\Delta t}\) este foarte aproape de 1, deci regresia este aproape de o rădăcină unitară. Viteza \(\kappa\) este atunci estimată imprecis, din același motiv pentru care testele de rădăcină unitară au putere mică. Trei viteze de revenire sînt comparate pe traiectorii simulate în Aprofundări.

          Pe scurt

          • Eșantionat la pasul \(\Delta t\), procesul Ornstein–Uhlenbeck (OU) este exact un model autoregresiv de ordinul 1 (AR(1))
            • \(x_{t+\Delta t} = a + b\,x_t + \varepsilon_t\), \(b = e^{-\kappa\Delta t}\), \(a = \theta(1 - b)\), \(\Var(\varepsilon_t) = \frac{\sigma^2}{2\kappa}(1 - b^2)\)
          • Verosimilitatea maximă = metoda celor mai mici pătrate (OLS) a lui \(x_{t + \Delta t}\) pe \(x_t\)
            • Termenul liber \(\hat a\), panta \(\hat b\), abaterea standard reziduală \(\hat s_\varepsilon\)
            • Apoi inversăm relațiile: \(\hat\kappa = -\ln\hat b/\Delta t\), \(\hat\theta = \hat a/(1 - \hat b)\), \(\hat\sigma = \hat s_\varepsilon\sqrt{2\hat\kappa/(1 - \hat b^2)}\)
          • Erorile standard ale lui \(\hat\kappa\) și \(\hat\theta\): metoda delta (liniarizarea transformării), din covarianța OLS a lui \((\hat a, \hat b)\)
            • \(\hat\kappa\) depinde doar de \(\hat b\): \(\partial\kappa/\partial b = -1/(b\Delta t)\)
            • Deci este suficientă \(\Var(\hat b)\) (Seminarul 11, A1)
          • Cu date zilnice \(b\) este foarte aproape de 1
            • \(\kappa\) este estimat imprecis, ca în testele de rădăcină unitară

          Modele ale ratei pe termen scurt: Vasicek și CIR

          Slide 25 în PDF

          În modelul Vasicek (Vasicek, 1977), rata pe termen scurt \(r_t\) este un proces OU. Distribuția ei este Normală, deci ratele negative au probabilitate pozitivă; pe termen lung, această probabilitate este \(\Phi(-\theta\sqrt{2\kappa}/\sigma)\). În schimb, prețurile și randamentele obligațiunilor au forme închise, derivate cu formula Feynman–Kac în Secțiunea 8.

          Modelul Cox–Ingersoll–Ross (CIR) (Cox, Ingersoll & Ross, 1985) face volatilitatea să depindă de nivel:

          \[\mathrm{d}r_t = \kappa(\theta - r_t)\,\mathrm{d}t + \sigma\sqrt{r_t}\,\mathrm{d}W_t.\]
          (11.14)

          Volatilitatea scade pe măsură ce rata se apropie de zero, iar rata rămîne strict pozitivă dacă \(2\kappa\theta \ge \sigma^2\), condiția Feller (Feller, 1951).

          Care specificație este mai apropiată de date este o întrebare empirică. Chan, Karolyi, Longstaff & Sanders (1992) le includ pe amîndouă într-un model cu difuzia \(\sigma r^\gamma\); comparația pe randamentul titlurilor de stat face parte din Secțiunea 7 și din Aprofundări.

          Pe scurt

          • Vasicek: rata pe termen scurt \(r_t\) este un proces OU Vasicek (1977)
            • Rata are distribuția Normală
            • Deci ratele negative au probabilitate pozitivă \(\Phi(-\theta\sqrt{2\kappa}/\sigma)\) pe termen lung
            • Prețurile și randamentele obligațiunilor în formă închisă (Feynman–Kac, Secțiunea 8)
          • Cox–Ingersoll–Ross (CIR): \(\dd r_t = \kappa(\theta - r_t)\,\dd t + \sigma\sqrt{r_t}\,\dd W_t\) Cox, Ingersoll & Ross (1985)
            • Volatilitatea scade lîngă zero
            • Rata rămîne pozitivă dacă \(2\kappa\theta \ge \sigma^2\) (condiția Feller) Feller (1951)
          • Adecvarea fiecărui model la date este o întrebare empirică Chan, Karolyi, Longstaff & Sanders (1992)

          Vasicek pe randamentul titlurilor de stat pe 3 luni (1/2)

          Slide 26 în PDF

          Graficul din stînga arată randamentul zilnic al titlurilor de stat americane pe 3 luni (DTB3) împreună cu media pe termen lung Vasicek estimată, \(\hat\theta\), și o bandă \(\hat\theta\) plus/minus două abateri standard staționare (s.d.). Graficul din dreapta arată estimarea lui \(\kappa\) cu intervalul ei de 95% pe subperioade. Cele două cursoare fixează începutul și sfîrșitul eșantionului de estimare, iar butonul ▶ extinde sfîrșitul an cu an.

            Întrebare pentru sală Dovedește un κ̂ pozitiv pe 1954–2026 că rata pe termen scurt revine la medie?
            Răspuns

            Nu. κ̂ = 0,101 (SE 0,051) corespunde unui timp de înjumătățire de 6,8 ani, iar coeficientul AR(1) zilnic este 0,99960, aproape o rădăcină unitară. Pe subperioade, κ̂ este −0,034, 0,213 și 0,032, iar două dintre cele trei intervale includ zero. Intervalul asimptotic pe 1954–2026 exclude zero la limită (0,101 − 1,96 · 0,051 = 0,001), dar lîngă o rădăcină unitară distribuția lui κ̂ nu este Normală și este deplasată în sus; testul bootstrap al ipotezei random walk dă p-value = 0,287.

            Pe întregul eșantion, 1954–2026, \(\hat\theta = 4{,}55\%\), \(\hat\kappa = 0{,}101\) (SE 0,051), un timp de înjumătățire de 6,8 ani, și \(\hat\sigma = 1{,}33\%\). Coeficientul AR(1) zilnic este \(\hat b = 0{,}99960\), aproape o rădăcină unitară.

            Pe scurt

            s.d. = standard deviation (abatere standard). MFM_ch11_vasicek

            Vasicek pe randamentul titlurilor de stat pe 3 luni (2/2)

            Slide 27 în PDF

            Estimările depind puternic de perioadă. Pe trei subperioade, \(\hat\kappa\) este −0,034 în 1954–1979, o valoare negativă, deci explozivă, 0,213 în 1980–2007 și 0,032 în 2008–2026, iar două dintre cele trei intervale includ zero.

            Intervalul asimptotic nu este un ghid de încredere aici. Sub ipoteza nulă random walk, \(\kappa = 0\), distribuția lui \(\hat\kappa\) nu este Normală și este deplasată în sus. Testul se face deci prin bootstrap parametric, cu 500 de random walk-uri de aceeași lungime ca datele. P-value-ul este 0,287: nu respingem random walk-ul, deci eșantionul nu stabilește revenirea la medie (Seminarul 11, B2).

            Rezultatul este descriptiv. Deplasarea în sus a lui \(\hat\kappa\) în eșantioane persistente este cuantificată în Aprofundări, împreună cu o estimare OU pentru VIX.

            Pe scurt

            • Stînga: randamentul zilnic al titlurilor de stat ale Statelor Unite (SUA) pe 3 luni (DTB3), 1954–2026
              • Media Vasicek pe termen lung \(\hat\theta = 4{,}55\%\)
              • Banda: \(\hat\theta\) plus/minus două abateri standard staționare (s.d.)
              • \(\hat\kappa = 0{,}101\) (SE \(0{,}051\)), adică un timp de înjumătățire de \(6{,}8\) ani
              • Volatilitatea \(\hat\sigma = 1{,}33\%\)
              • Coeficientul AR(1) zilnic \(\hat b = 0{,}99960\): aproape o rădăcină unitară
            • Dreapta: \(\hat\kappa\), cu CI de 95%, pe trei perioade
              • \(-0{,}034\) în 1954–1979 (exploziv)
              • \(0{,}213\) în 1980–2007 și \(0{,}032\) în 2008–2026
              • Două dintre cele trei CI includ zero
            • Testul ipotezei nule de mers aleator (\(\kappa = 0\)): bootstrap parametric cu 500 de mersuri aleatoare de aceeași lungime
              • Motivul: sub \(\kappa = 0\) distribuția lui \(\hat\kappa\) nu este Normală și este deplasată în sus
              • valoarea p (p-value) \(= 0{,}287\)
              • Eșantionul nu demonstrează revenirea la medie (Seminarul 11, B2)
            • Tipul de dovadă: descriere
            MFM_ch11_vasicek

            Sinteza secțiunii

            Procesul OU dă tranziții exacte cu distribuția Normală și un AR(1) pentru eșantioanele discrete, deci estimarea lui se reduce la o regresie. Pe randamentul titlurilor de stat, viteza estimată este mică, instabilă de la o perioadă la alta și nu diferă semnificativ de zero în testul bootstrap. De ce viteza este atît de greu de estimat este subiectul secțiunii următoare.

            Estimarea difuziilor: identificarea parametrilor

            Estimările de pînă acum au un tipar comun: volatilitatea este precisă, în timp ce driftul GBM și viteza procesului OU nu sînt. Secțiunea explică tiparul prin două scheme asimptotice:

            1. Asimptotica infill rafinează grila pe un orizont fix.
            2. Asimptotica pe orizont lung (long span) prelungește orizontul.

            Fiecare identifică alt set de parametri.

            Asimptotica infill: efectul frecvenței de eșantionare

            Slide 28 în PDF

            Ce parametri învățăm din eșantionarea mai deasă și care doar din mai mulți ani? În asimptotica infill, pasul \(\Delta\) tinde la zero pe un interval fix \([0, T]\). Pentru un proces Itô, variația pătratică realizată converge:

            \[\sum_k (\Delta X_k)^2 \to \int_0^T b_t^2\,\mathrm{d}t.\]
            (11.15)

            Variația pătratică și, în condiții de regularitate, \(b_t^2\) de-a lungul traiectoriei sînt identificate fără eroare la limită. Aceasta cere ca variația pătratică să fie observabilă: un proces Itô continuu, măsurat fără zgomot. Recuperarea întregii funcții de difuzie \(b(x)\) sau a parametrilor unei specificații date cere condiții suplimentare.

            Eșantionarea mai deasă ajută deci volatilitatea \(\sigma\) a GBM (Secțiunea 5) și funcția de difuzie \(b(x)\) a unui model general, care poate fi estimată neparametric (Aprofundări).

            Pe scurt

            Întrebarea: ce parametri învățăm din observații mai dese și ce parametri doar din mai mulți ani?
            Infill (umplerea intervalului): \(\Delta \to 0\) pe un \([0, T]\) fix
            • \(\sum_k (\Delta X_k)^2 \to \int_0^T b_t^2\,\dd t\)
            • Variația pătratică, deci \(b_t^2\) de-a lungul traiectoriei (sub regularitate): identificată fără eroare la limită
              • dacă procesul Itô este continuu și observat fără zgomot de măsurare
            • Întreaga funcție de difuzie sau parametrii ei cer condiții suplimentare
            • Eșantionarea mai deasă ajută pentru \(\sigma\) (Secțiunea 5) și \(b(x)\) (neparametric, Aprofundări)

            Asimptotica pe orizont lung: efectul lungimii eșantionului

            Slide 29 în PDF

            Driftul nu poate fi estimat consistent pe un orizont fix. Informația Fisher \(I(m) = -\mathbb{E}[\partial^2\ell/\partial m^2]\), unde \(\ell\) este log-verosimilitatea, mărginește dispersia oricărui estimator nedeplasat, \(\operatorname{Var}(\hat m) \ge 1/I(m)\). Pentru \(n\) randamente GBM,

            \[I(m) = \frac{n\Delta t}{\sigma^2} = \frac{T}{\sigma^2}, \qquad \mathrm{SE}(\hat m) = \frac{\sigma}{\sqrt{T}},\]
            (11.16)

            deci informația crește cu orizontul \(T\), nu cu numărul de observații \(n\).

            Viteza OU se comportă la fel. Dispersia ei asimptotică este \(\operatorname{Var}(\hat\kappa) \approx (e^{2\kappa\Delta} - 1)/(T\Delta)\), care tinde la \(2\kappa/T\) cînd \(\Delta \to 0\) (derivarea în Seminarul 11, A1). Nici deplasarea lui \(\hat\kappa\) nu scade cu eșantionarea mai fină (Yu, 2012): cînd \(\Delta \to 0\), \(b = e^{-\kappa\Delta} \to 1\), iar \(\hat\kappa\) este departe de distribuția Normală ori de cîte ori \(\kappa T\) este mic.

            Driftul imprecis al GBM și \(\hat\kappa\) deplasat au deci aceeași cauză. Metodele de verosimilitate pentru difuzii neliniare și comparația Vasicek, CIR și CKLS (Chan–Karolyi–Longstaff–Sanders) pe randamentul titlurilor de stat sînt în Aprofundări.

            Pe scurt

            Orizont lung: \(T \to \infty\)
            • Driftul nu se poate estima consistent pe un orizont fix
              • Informația Fisher \(I(m) = -\E[\partial^2\ell/\partial m^2]\) (\(\ell\): log-verosimilitatea) limitează \(\Var(\hat m) \ge 1/I(m)\)
              • Pentru \(n\) randamente GBM, \(I(m) = n\Delta t/\sigma^2 = T/\sigma^2\)
              • Deci \(\mathrm{SE}(\hat m) = \sigma/\sqrt{T}\)
            • OU: \(\Var(\hat\kappa) \approx (e^{2\kappa\Delta} - 1)/(T\Delta) \to 2\kappa/T\) cînd \(\Delta \to 0\) (Seminarul 11, A1)
            • Deplasarea lui \(\hat\kappa\) nu scade cu eșantionarea mai deasă Yu (2012)
              • \(b = e^{-\kappa\Delta} \to 1\)
              • \(\hat\kappa\) este departe de distribuția Normală cînd \(\kappa T\) este mic
            • Driftul GBM imprecis și \(\hat\kappa\) deplasat au aceeași cauză
              • Informația crește cu \(T\), nu cu \(n\)

            Sinteza secțiunii

            Eșantionarea deasă identifică coeficientul de difuzie; driftul și viteza de revenire la medie sînt identificate doar de lungimea eșantionului. Un model estimat pe cîteva decenii de date dă volatilități precise și drifturi imprecise, oricare ar fi frecvența. Pentru evaluare, secțiunea următoare arată că driftul nu este necesar.

            Schimbarea măsurii: Girsanov și Feynman–Kac

            Prețurile activelor tranzacționate nu se calculează cu probabilitățile din lumea reală. Secțiunea arată de ce pe un exemplu cu o perioadă, enunță teorema lui Girsanov, care construiește măsura de evaluare în timp continuu, interpretează schimbarea driftului ca preț de piață al riscului (market price of risk) și derivă ecuația de evaluare cu formula Feynman–Kac.

            De ce prețurile folosesc altă probabilitate: un exemplu pe o perioadă (1/2)

            Slide 30 în PDF

            O acțiune costă 100 astăzi și mîine valorează fie 120 (creștere), fie 90 (scădere). Rata dobînzii este 0, iar probabilitatea reală a creșterii este \(p = 0{,}6\). Un activ derivat plătește 1 în starea de creștere și 0 în starea de scădere.

            Activul derivat poate fi replicat cu \(\Delta\) acțiuni și \(B\) numerar. Condițiile \(120\Delta + B = 1\) și \(90\Delta + B = 0\) dau \(\Delta = 1/30\) și \(B = -3\), deci portofoliul de replicare costă \(100/30 - 3 = 1/3\). Orice alt preț ar permite un arbitraj: se cumpără varianta mai ieftină dintre activ și replica lui și se vinde cealaltă.

            Același preț este o valoare așteptată, dar nu sub \(p\). Ponderea \(q = (100 - 90)/(120 - 90) = 1/3\) este singura cu \(120q + 90(1 - q) = 100\), adică singura probabilitate sub care acțiunea este evaluată la valoarea ei așteptată, iar prețul activului este \(q \cdot 1 = 1/3\). Probabilitatea reală \(p\) nu intervine.

            Pe scurt

            • O acțiune costă 100 astăzi, iar mîine valorează 120 (creștere) sau 90 (scădere)
              • Rata dobînzii este 0
              • Probabilitatea reală a creșterii este \(p = 0{,}6\)
            • Un activ derivat plătește 1 la creștere și 0 la scădere
              • Îl replicăm cu \(\Delta\) acțiuni și suma \(B\) în numerar
              • \(120\Delta + B = 1\) și \(90\Delta + B = 0\) dau \(\Delta = 1/30\), \(B = -3\)
              • Replicarea costă \(1/3\), iar orice alt preț permite un arbitraj

            De ce prețurile folosesc altă probabilitate: un exemplu pe o perioadă (2/2)

            Slide 31 în PDF

            Exemplul se generalizează. Absența arbitrajului înseamnă că prețurile actualizate ale activelor tranzacționate sînt martingale sub o măsură de probabilitate \(Q\) echivalentă cu măsura reală \(P\): aceasta este teorema fundamentală a evaluării activelor (fundamental theorem of asset pricing, Capitolul 5 din Shreve (2004)). În timp continuu, teorema lui Girsanov construiește \(Q\).

            Verificările de pe slide testează raționamentul. Dacă \(p = 0{,}9\), prețul activului derivat rămîne 1/3, pentru că \(p\) nu intervine. Dacă starea de scădere este 80 în loc de 90, atunci \(q = 20/40 = 1/2\), iar prețul devine 1/2: ponderile de evaluare depind de rezultatele posibile, nu de cît de probabile sînt.

            Pe scurt

            • Același preț este valoarea așteptată sub \(q = (100 - 90)/(120 - 90) = 1/3\)
              • Este singura pondere cu \(120q + 90(1 - q) = 100\)
              • \(p\) nu intervine
            • În general: teorema fundamentală a evaluării activelor (Shreve (2004), cap. 5)
              • Absența arbitrajului înseamnă că prețurile actualizate ale activelor tranzacționate sînt martingale sub o măsură echivalentă \(Q\)
              • Girsanov construiește \(Q\) în timp continuu
            • Verificare: cît costă activul derivat dacă \(p = 0{,}9\)?
              • Răspuns: tot 1/3
            • Dar dacă starea de scădere este 80 în loc de 90?
              • Răspuns: cu 80, \(q = 20/40 = 1/2\), deci prețul este 1/2

            Teorema lui Girsanov (1/2)

            Slide 32 în PDF

            Două măsuri sînt echivalente dacă dau probabilitatea zero acelorași evenimente. O măsură echivalentă \(Q\) se definește pornind de la \(P\) prin densitatea Radon–Nikodym

            \[\left.\frac{\mathrm{d}Q}{\mathrm{d}P}\right|_{\mathcal{F}_T} = Z_T = \exp\Big(-\int_0^T \theta_s\,\mathrm{d}W_s - \tfrac{1}{2}\int_0^T \theta_s^2\,\mathrm{d}s\Big),\]
            (11.17)

            cu \(\theta_s\) adaptat. Deoarece \(Z_T > 0\) și \(\mathbb{E}^P[Z_T] = 1\), densitatea reponderează probabilitatea fiecărei traiectorii: \(Q(A) = \mathbb{E}^P[Z_T\,\mathbf{1}_A]\).

            Girsanov (1960) arată că sub \(Q\) procesul \(\tilde W_t = W_t + \int_0^t \theta_s\,\mathrm{d}s\) este o mișcare browniană. O condiție suficientă este condiția Novikov, \(\mathbb{E}\big[e^{\frac{1}{2}\int_0^T \theta_s^2\,\mathrm{d}s}\big] < \infty\). Mai jos, \(\theta_s\) va fi prețul de piață al riscului.

            Pe scurt

            • Măsura reală \(P\) și o măsură echivalentă \(Q\), legate prin densitatea Radon–Nikodym
              • Echivalentă: aceleași evenimente de probabilitate zero
              • \(\left.\frac{\dd Q}{\dd P}\right|_{\mathcal{F}_T} = Z_T = \exp\left(-\int_0^T \Theta_s\,\dd W_s - \tfrac{1}{2}\int_0^T \Theta_s^2\,\dd s\right)\)
              • \(\Theta_s\) este adaptat (mai jos: prețul de piață al riscului)
              • \(Z_T > 0\), cu \(\E^P[Z_T] = 1\), reponderează probabilitatea fiecărei traiectorii
              • Noua probabilitate: \(Q(A) = \E^P[Z_T\mathbf{1}_A]\)
            • Girsanov (1960): sub \(Q\), \(\tilde W_t = W_t + \int_0^t \Theta_s\,\dd s\) este o mișcare browniană
              • Condiția: \(\E\left[e^{\frac{1}{2}\int_0^T \Theta_s^2 \dd s}\right] < \infty\) (condiția Novikov)

            Teorema lui Girsanov (2/2)

            Slide 33 în PDF

            Înlocuind \(\mathrm{d}W = \mathrm{d}\tilde W - \theta\,\mathrm{d}t\) într-un proces Itô obținem dinamica lui sub \(Q\):

            \[\mathrm{d}X = a\,\mathrm{d}t + b\,\mathrm{d}W = (a - b\,\theta)\,\mathrm{d}t + b\,\mathrm{d}\tilde W.\]
            (11.18)

            Pentru procese Itô continue, se schimbă doar driftul. Coeficientul de difuzie și, odată cu el, variația pătratică sînt aceleași sub \(P\) și sub \(Q\); de aceea volatilitatea estimată din date istorice intră în prețuri, iar driftul nu.

            Afirmația este specifică proceselor continue. Cu salturi (Secțiunea 9), \(Q\) poate schimba și intensitatea salturilor și distribuția mărimii lor, deci intensitatea \(\hat\lambda\) estimată din randamente nu este intensitatea care evaluează opțiunile. Cu volatilitate stocastică, \(P\) și \(Q\) ponderează diferit traiectoriile viitoare ale varianței, iar varianța istorică este un reper pentru varianța implicită, nu o calibrare a ei.

            Pe scurt

            • Pentru \(\dd X = a\,\dd t + b\,\dd W\): \(\dd X = (a - b\,\Theta)\,\dd t + b\,\dd\tilde W\)
              • Pentru procesele Itô continue se schimbă doar driftul
              • Difuzia și variația pătratică sînt aceleași sub \(P\) și \(Q\)
            • Cu salturi (Secțiunea 9), \(Q\) poate schimba și intensitatea salturilor și distribuția mărimii lor
              • intensitatea salturilor \(\hat\lambda\), estimată din randamente, nu este cea care evaluează opțiunile
            • Cu volatilitate stocastică, \(P\) și \(Q\) ponderează diferit traiectoriile viitoare ale varianței
              • Varianța istorică este un reper, nu o calibrare

            Prețul de piață al riscului: \(P\) față de \(Q\) (1/2)

            Slide 34 în PDF

            Pentru GBM alegem constanta \(\theta = (\mu - r)/\sigma\), prețul de piață al riscului: driftul în exces pe unitatea de volatilitate. Conform (11.18), driftul sub \(Q\) este \(\mu S - \sigma S\theta = rS\), deci

            \[\mathrm{d}S = rS\,\mathrm{d}t + \sigma S\,\mathrm{d}\tilde W,\]

            iar prețul actualizat \(e^{-rt}S_t\) este un \(Q\)-martingal (Seminarul 11, A4).

            Pentru S&P 500 pe 1990–2026, cu \(r\) randamentul mediu al titlurilor de stat pe 3 luni, \(\hat\theta = (10{,}0\% - 2{,}7\%)/18{,}0\% = 0{,}40\). Sub GBM, SE a lui este \(1/\sqrt{T} = 0{,}17\): prețul de piață al riscului este la fel de imprecis ca driftul. Dincolo de GBM, SE rezultă din metoda delta cu covarianța pe termen lung a momentelor de ordinul unu și doi ale randamentelor, ceea ce cere din nou un moment de ordinul patru finit, pus sub semnul întrebării în Capitolul 1.

            Pe scurt

            • GBM: \(\Theta = (\mu - r)/\sigma\) este prețul de piață al riscului
              • Sub \(Q\), \(\dd S = rS\,\dd t + \sigma S\,\dd\tilde W\)
              • \(e^{-rt}S_t\) este un \(Q\)-martingal (Seminarul 11, A4)
            • S&P 500, 1990–2026: \(\hat\Theta = (10{,}0\% - 2{,}7\%)/18{,}0\% = 0{,}40\)
              • \(r\) este media randamentului titlurilor de stat pe 3 luni
              • SE \(1/\sqrt{T} = 0{,}17\) sub GBM, la fel de imprecis ca driftul
              • în afara GBM: metoda delta, cu covarianța de lungă durată a momentelor de ordin unu și doi ale randamentelor
              • aceasta cere moment de ordin patru finit, pus sub semnul întrebării în Capitolul 1

            Prețul de piață al riscului: \(P\) față de \(Q\) (2/2)

            Slide 35 în PDF

            În modelele structurii la termen și ale volatilității, schimbarea măsurii mută nivelul pe termen lung. În modelul Vasicek cu prima de risc \(\lambda\sigma\), \(\kappa^Q = \kappa\) și \(\kappa\theta^Q = \kappa\theta - \lambda\sigma\), unde \(\theta\) și \(\theta^Q\) sînt nivelurile pe termen lung sub \(P\) și sub \(Q\). Nivelul care evaluează obligațiunile diferă deci de cel estimat pe seria ratei în Secțiunea 6. O primă la termen (term premium) pozitivă corespunde lui \(\lambda < 0\); atunci \(\theta^Q = \theta - \lambda\sigma/\kappa > \theta\), iar randamentele pe termen lung sînt mai mari.

            În modelul Heston cu prima de risc a volatilității \(\lambda v_t\), \(\kappa^Q = \kappa + \lambda\) și \(\kappa^Q\theta^Q = \kappa\theta\); acest \(\lambda\) este un parametru separat. Un \(\lambda\) negativ înseamnă că investitorii plătesc pentru protecție împotriva varianței ridicate și dă \(\theta^Q > \theta\): prima de risc a varianței (variance risk premium) din Capitolul 9.

            Pe scurt

            • Vasicek cu prima de risc \(\lambda\sigma\): \(\kappa^Q = \kappa\), \(\kappa\theta^Q = \kappa\theta - \lambda\sigma\)
              • \(\theta\), \(\theta^Q\): niveluri pe termen lung
              • Nivelul pe termen lung care evaluează obligațiunile diferă de cel estimat pe date (Secțiunea 6)
              • O primă de termen pozitivă înseamnă \(\lambda < 0\)
              • Atunci \(\theta^Q = \theta - \lambda\sigma/\kappa > \theta\), iar randamentele pe termen lung sînt mai mari
            • Heston cu prima de risc a volatilității \(\lambda v_t\) (alt \(\lambda\); \(v_t\): varianța, Secțiunea 10): \(\kappa^Q = \kappa + \lambda\), \(\kappa^Q\theta^Q = \kappa\theta\)
              • \(\lambda < 0\) (investitorii plătesc pentru protecția față de varianță) dă \(\theta^Q > \theta\)
              • Aceasta este prima de risc a varianței din Capitolul 9

            Feynman–Kac: de la valori așteptate la PDE de evaluare

            Slide 36 în PDF

            Sub \(Q\), prețul unui activ derivat este o valoare așteptată actualizată, iar formula Feynman–Kac (Kac, 1949) transformă această valoare așteptată într-o ecuație cu derivate parțiale (PDE, partial differential equation). Dacă \(\mathrm{d}X = a(X)\,\mathrm{d}t + b(X)\,\mathrm{d}\tilde W\) sub \(Q\), funcția

            \[u(t, x) = \mathbb{E}^Q\Big[e^{-\int_t^T r_s\,\mathrm{d}s}\,g(X_T) \;\Big|\; X_t = x\Big]\]

            rezolvă

            \[u_t + a\,u_x + \tfrac{1}{2}b^2 u_{xx} - r\,u = 0, \qquad u(T, x) = g(x).\]
            (11.19)

            Aici \(u(t, x)\) este prețul la \(t\) al plății \(g(X_T)\) primite la \(T\), actualizat cu rata pe termen scurt \(r_s\).

            Demonstrația folosește instrumentele capitolului. Prețul actualizat \(e^{-\int_0^t r_s\,\mathrm{d}s}\,u(t, X_t)\) este un \(Q\)-martingal, deci driftul lui, calculat cu lema lui Itô (11.5), trebuie să se anuleze; anularea driftului dă (11.19). Pe aceeași cale, Capitolul 12 deduce ecuația Black–Scholes.

            Cea mai simplă aplicație este o obligațiune zero-cupon în modelul Vasicek: \(g = 1\) și \(X = r\). Rezolvarea ecuației (11.19) dă un preț exponențial-afin,

            \[\begin{gathered} p(t, r; T) = \exp\big(A(\tau) - B(\tau)\,r\big), \qquad B(\tau) = \frac{1 - e^{-\kappa\tau}}{\kappa}, \\ A(\tau) = \Big(\theta^Q - \frac{\sigma^2}{2\kappa^2}\Big)\big(B(\tau) - \tau\big) - \frac{\sigma^2 B(\tau)^2}{4\kappa}, \end{gathered}\]
            (11.20)

            cu \(\tau = T - t\) (Seminarul 11, A6). Randamentele \(y(\tau) = (B(\tau)\,r - A(\tau))/\tau\) tind la \(\theta^Q - \sigma^2/(2\kappa^2)\) cînd scadența crește. Incertitudinea ratei coboară randamentele pe termen lung sub \(\theta^Q\), un efect de convexitate. Randamentul modelului este comparat cu randamentul observat al titlurilor de stat în Anexă.

            Pe scurt

            • Dacă \(\dd X = a(X)\,\dd t + b(X)\,\dd\tilde W\) sub \(Q\) Kac (1949)
              • Fie \(u(t, x) = \E^Q\left[e^{-\int_t^T r_s\,\dd s}\,g(X_T) \mid X_t = x\right]\)
              • Funcția satisface ecuația cu derivate parțiale (PDE) \(u_t + a\,u_x + \tfrac{1}{2}b^2 u_{xx} - r\,u = 0\), \(u(T, x) = g(x)\)
              • \(u\) este prețul la \(t\) al plății \(g(X_T)\) de la \(T\), actualizat cu rata pe termen scurt \(r_s\)
            • Ideea demonstrației: \(e^{-\int_0^t r_s \dd s}\,u(t, X_t)\) este un \(Q\)-martingal
              • Deci driftul său Itô este zero
              • Pe aceeași cale, Capitolul 12 deduce Black–Scholes
            • Obligațiunea Vasicek (\(g = 1\), \(X = r\)): \(p(t, r; T) = \exp\left(A(\tau) - B(\tau)\,r\right)\), \(\tau = T - t\) (Seminarul 11, A6)
              • \(B(\tau) = \frac{1 - e^{-\kappa\tau}}{\kappa}\), \(A(\tau) = \left(\theta^Q - \frac{\sigma^2}{2\kappa^2}\right)\left(B(\tau) - \tau\right) - \frac{\sigma^2 B(\tau)^2}{4\kappa}\)
              • Randamentele \(y(\tau) = (B(\tau)\,r - A(\tau))/\tau\) tind la \(\theta^Q - \sigma^2/(2\kappa^2)\)
              • Incertitudinea ratelor reduce randamentele pe termen lung (convexitate)
              • Comparația cu titlurile de stat: Anexa

            Recapitulare: evaluarea sub \(Q\)

            Slide 37 în PDF

            Trei rezultate rezumă secțiunea. Teorema lui Girsanov schimbă driftul \(a\) în \(a - b\,\theta\) și lasă neschimbată difuzia \(b\). Pentru GBM, alegerea \(\theta = (\mu - r)/\sigma\) transformă driftul \(\mu\) în \(r\), deci \(e^{-rt}S_t\) este un \(Q\)-martingal. Formula Feynman–Kac identifică prețul, valoarea așteptată sub \(Q\) a plății actualizate, cu soluția ecuației de evaluare (11.19).

            Verificarea de pe slide aplică primele două rezultate. Cu \(\mu = 9\%\), \(\sigma = 20\%\) și \(r = 3\%\), prețul de piață al riscului este \(\theta = 0{,}06/0{,}20 = 0{,}30\); driftul sub \(Q\) este \(\mu - \sigma\theta = 9\% - 6\% = 3\% = r\), iar volatilitatea \(\sigma = 20\%\) rămîne neschimbată.

            Pe scurt

            • Formulele de reținut
              • Girsanov: sub \(Q\), driftul \(a\) devine \(a - b\,\Theta\), iar difuzia \(b\) rămîne neschimbată
              • GBM: \(\Theta = (\mu - r)/\sigma\) transformă driftul \(\mu\) în \(r\)
              • Deci \(e^{-rt}S_t\) este un \(Q\)-martingal
              • Feynman–Kac: prețul \(= \E^Q[\)plata actualizată\(]\), soluția PDE de evaluare
            • Verificare: \(\mu = 9\%\), \(\sigma = 20\%\), \(r = 3\%\). Cît sînt prețul de piață al riscului și driftul lui \(S\) sub \(Q\)?
              • Răspuns: \(\Theta = 0{,}06/0{,}20 = 0{,}30\)
              • Driftul: \(\mu - \sigma\Theta = 9\% - 6\% = 3\% = r\), cu \(\sigma = 20\%\) neschimbat

            Sinteza secțiunii

            Absența arbitrajului face din prețuri valori așteptate sub o măsură echivalentă \(Q\). Pentru procese continue, trecerea de la \(P\) la \(Q\) doar deplasează driftul cu prețul de piață al riscului, deci prețurile depind de volatilitate, dar nu de driftul real, pe care datele îl identifică slab. Feynman–Kac transformă aceste valori așteptate în PDE, rezolvate în formă închisă pentru obligațiunea Vasicek. Următoarele două secțiuni renunță la continuitatea și la volatilitatea constantă a difuziilor folosite pînă acum.

            Salturi: modelul Merton

            Traiectoriile browniene sînt continue, dar prețurile sar la apariția știrilor. Secțiunea adaugă salturi Poisson compuse la GBM, scrie densitatea randamentului rezultată ca mixtură Poisson de densități Normale, estimează modelul pe trei piețe și compară densitatea estimată cu datele.

            Difuzia cu salturi a lui Merton (1/2)

            Slide 38 în PDF

            Ce model explică zilele de crah practic imposibile sub GBM? Pe 19 octombrie 1987, Dow Jones a scăzut cu 22,6%, circa 20 de abateri standard sub GBM cu volatilitate de 18%. O asemenea mișcare este o discontinuitate, iar un salt nu poate fi acoperit prin tranzacționare continuă (Merton, 1976).

            Modelul Merton adaugă la logaritmul prețului un proces Poisson compus (compound Poisson):

            \[\mathrm{d}\ln S_t = m\,\mathrm{d}t + \sigma\,\mathrm{d}W_t + \mathrm{d}J_t, \qquad J_t = \sum_{i \le N_t} Y_i,\]
            (11.21)

            unde \(N_t\) este un proces Poisson cu intensitatea \(\lambda\) (salturi pe an), mărimile salturilor \(Y_i \sim N(\mu_J, \sigma_J^2)\) sînt i.i.d., iar \(W\), \(N\) și \(Y\) sînt independente. Modelul are cinci parametri, \((m, \sigma, \lambda, \mu_J, \sigma_J)\).

            Pe scurt

            • Întrebarea: ce model explică zilele de crah, practic imposibile sub GBM?
            • Traiectoriile browniene sînt continue, dar prețurile prezintă salturi la publicarea știrilor
              • Pe 19 octombrie 1987, Dow Jones a scăzut cu 22,6%
              • Adică circa 20 de abateri standard sub GBM cu volatilitate de 18%
              • Un salt nu poate fi neutralizat prin hedging cu tranzacționare continuă Merton (1976)
            • Logaritmul prețului = mișcare browniană cu drift + salturi Poisson compuse
              • \(\dd \ln S_t = m\,\dd t + \sigma\,\dd W_t + \dd J_t\), \(J_t = \sum_{i \le N_t} Y_i\)
              • \(N_t\) este un proces Poisson cu intensitatea \(\lambda\)
              • Mărimile salturilor \(Y_i \sim N(\mu_J, \sigma_J^2)\) sînt i.i.d.
              • \(W\), \(N\) și \(Y\) sînt independente
              • Modelul are cinci parametri, \((m, \sigma, \lambda, \mu_J, \sigma_J)\)

            Difuzia cu salturi a lui Merton (2/2)

            Slide 39 în PDF

            Condiționat de \(k\) salturi într-un interval de lungime \(\Delta t\), randamentul logaritmic are distribuția Normală \(N\big(m\Delta t + k\mu_J,\ \sigma^2\Delta t + k\sigma_J^2\big)\). Necondiționat, el este o mixtură Poisson de densități Normale, i.i.d. în timp:

            \[f(r) = \sum_{k \ge 0} e^{-\lambda\Delta t}\,\frac{(\lambda\Delta t)^k}{k!}\;\varphi\big(r;\ m\Delta t + k\mu_J,\ \sigma^2\Delta t + k\sigma_J^2\big),\]
            (11.22)

            unde ponderea este probabilitatea Poisson a \(k\) salturi, iar \(\varphi(r; \text{medie}, \text{dispersie})\) este densitatea Normală.

            Mixtura dă și simularea exactă a modelului: se extrage numărul de salturi \(N \sim \mathrm{Poisson}(\lambda\Delta t)\), apoi randamentul din distribuția Normală cu momentele condiționate. Momentele randamentului Merton sînt derivate din cumulanții lui în Aprofundări.

            Pe scurt

            • Condiționat de \(k\) salturi, randamentul pe \(\Delta t\) are distribuția \(N\left(m\Delta t + k\mu_J,\ \sigma^2\Delta t + k\sigma_J^2\right)\)
            • Necondiționat, randamentul este o mixtură Poisson de densități Normale, i.i.d. în timp
              • \(f(r) = \sum_{k \ge 0} e^{-\lambda\Delta t}\frac{(\lambda\Delta t)^k}{k!}\,\varphi\left(r;\ m\Delta t + k\mu_J,\ \sigma^2\Delta t + k\sigma_J^2\right)\)
              • Ponderile sînt probabilitățile Poisson ale celor \(k\) salturi
              • \(\varphi(r; \text{medie}, \text{dispersie})\) este densitatea Normală
            • Simulare exactă: extragem \(N \sim \mathrm{Poisson}(\lambda\Delta t)\)
              • Apoi o variabilă aleatoare cu distribuția Normală și momentele condiționate

            Estimările Merton pentru S&P 500, BET și Bitcoin

            Slide 40 în PDF

            Parametrii sînt estimați prin maximizarea numerică a log-verosimilității lui (11.22), cu suma trunchiată la 12 salturi pe zi. Tabelul raportează volatilitatea difuziei \(\hat\sigma\), intensitatea salturilor \(\hat\lambda\) pe an cu SE în paranteză, media \(\hat\mu_J\) și abaterea standard \(\hat\sigma_J\) a salturilor, ponderea salturilor în dispersia randamentului și statistica raportului de verosimilitate (LR, likelihood ratio) față de GBM.

            Salturile domină dispersia pe toate cele trei piețe: 71% pentru S&P 500, 73% pentru BET și 85% pentru Bitcoin. Estimarea preferă însă multe salturi mici, nu cîteva crahuri: circa 80–240 pe an, cu abateri standard ale salturilor de 1,44% pentru S&P 500, 2,07% pentru BET și 3,85% pentru Bitcoin și medii ale salturilor apropiate de zero.

            Erorile standard cer două precizări:

            1. Cele din paranteză provin din hessiană și sînt condiționate de modelul i.i.d., în jurul maximului local. SE sandwich ale lui \(\hat\lambda\), calculate din scoruri cu o covarianță HAC (heteroskedasticity and autocorrelation consistent), sînt mai mari: 28 pentru S&P 500, 12 pentru BET și 36 pentru Bitcoin.
            2. Verosimilitatea este nemărginită (Honoré, 1998): dacă \(m\Delta t\) este egal cu un randament observat și \(\sigma \to 0\), densitatea acelei observații explodează. MLE este deci un maxim local.

            Testul LR al GBM (\(\lambda = 0\)) față de modelul Merton este calculat pe regiunea \(\sigma \ge 5\%\), care exclude soluțiile degenerate. Statistica lui nu are distribuția obișnuită \(\chi^2_3\), din două motive:

            1. \(\lambda = 0\) se află pe frontiera spațiului parametrilor;
            2. sub ipoteza nulă, parametrii salturilor \(\mu_J\) și \(\sigma_J\) nu sînt identificați.

            Valorile critice trebuie obținute prin bootstrap (Seminarul 11, B5). Testul privește existența salturilor, nu precizia parametrilor.

            Pe scurt

            LR (Likelihood Ratio): statistica raportului de verosimilitate.
            \(\hat\sigma\) (%)\(\hat\lambda\) (pe an)\(\hat\mu_J\) (%)\(\hat\sigma_J\) (%)Ponderea salturilor în dispersieLR
            S&P 500\(9{,}4\)\(102\) (\(11\))\(-0{,}16\)\(1{,}44\)\(71\%\)2 401
            BET\(11{,}3\)\(79\) (\(7\))\(-0{,}09\)\(2{,}07\)\(73\%\)2 326
            Bitcoin\(24{,}6\)\(239\) (\(21\))\(0{,}00\)\(3{,}85\)\(85\%\)1 357
            • Log-verosimilitatea mixturii Poisson este maximizată numeric
              • Cel mult 12 salturi pe zi
              • În paranteze, SE din hessiană: condiționale pe modelul i.i.d., în jurul maximului local
              • SE sandwich pentru \(\hat\lambda\) (covarianță HAC, robustă la heteroscedasticitate și autocorelare): 28 (S&P 500), 12 (BET), 36 (Bitcoin)
            • Verosimilitatea este nemărginită, deci MLE este un maxim local Honoré (1998)
              • Cu \(m\Delta t\) egal cu un randament observat și \(\sigma \to 0\), acea densitate tinde la infinit
              • Testul LR față de GBM (\(\lambda = 0\)) este definit pe \(\sigma \ge 5\%\) și nu are distribuția \(\chi^2_3\)
              • Motivul: \(\lambda = 0\) este pe frontieră, iar \(\mu_J, \sigma_J\) nu sînt identificați
              • Valori critice bootstrap: Seminarul 11, B5; testul privește existența salturilor, nu precizia parametrilor
            • Estimarea favorizează multe salturi mici (circa 80–240 pe an), nu cîteva crahuri

            Estimarea Merton pentru distribuția randamentelor (1/2)

            Slide 41 în PDF

            Graficele arată densitatea randamentelor logaritmice zilnice pe o scală verticală logaritmică, pentru S&P 500 (stînga) și Bitcoin (dreapta): histograma datelor, densitatea Normală implicată de GBM și mixtura Merton estimată. Scala logaritmică face cozile vizibile; pe această scală, o densitate Normală este o parabolă. Cursorul înmulțește intensitatea estimată a salturilor \(\hat\lambda\) cu un factor între 0 și 1,15, iar butonul ▶ crește factorul pornind de la 0.

              Întrebare pentru sală În modelul Merton, λ = 102 salturi pe an. Cu 252 de zile de tranzacționare pe an, care este probabilitatea să apară cel puțin un salt într-o zi?
              Răspuns

              Circa 33,3%. Numărul zilnic de salturi are distribuția Poisson cu media 102/252 = 0,405; probabilitatea cerută este 1 − exp(−102/252) ≈ 33,3%. Valoarea 40,5% confundă numărul mediu de salturi cu probabilitatea cel puțin unui salt; 66,7% este probabilitatea niciunui salt. Un salt al modelului nu este automat un crah: abaterea standard estimată a mărimii saltului este 1,44%. Salturile explică 71% din dispersie și ajustează forma distribuției marginale; ele nu reproduc volatility clustering. Excesul de kurtosis implicat este 3,7, față de 10,9 în date. La λ = 0, păstrînd media și dispersia modelului Merton estimat, log-verosimilitatea S&P 500 este 28 291, față de 29 500 la estimarea MLE; pentru GBM reestimat separat, este 28 300.

              La intensitatea estimată, mixtura Merton urmărește vîrful și umerii histogramei mult mai bine decît densitatea Normală. La factorul 0, cu media și dispersia modelului estimat păstrate, log-verosimilitatea S&P 500 scade de la 29 500 la 28 291.

              Estimarea Merton pentru distribuția randamentelor (2/2)

              Slide 42 în PDF

              Pentru S&P 500, modelul estimat reproduce asimetria, −0,31 față de −0,36 în date, dar doar o parte din kurtosis: excesul lui de kurtosis este 3,7, față de 10,9 în date. Zilele cele mai extreme se află dincolo de ambele curbe estimate.

              Intensitatea estimată, circa 102 „salturi” pe an, arată ce fac salturile în această estimare. Un model i.i.d. nu poate reprezenta perioade de volatilitate ridicată și scăzută, deci folosește salturi mici și frecvente pentru a imita volatilitatea variabilă. Un randament aflat departe în coadă poate fi un salt sau o mișcare obișnuită într-o perioadă volatilă, iar un model i.i.d. nu le poate distinge. Un test direct, care compară fiecare randament cu volatilitatea locală, este prezentat în Aprofundări.

              Rezultatul este descriptiv: mixtura estimată descrie distribuția marginală mai bine decît GBM, fără a stabili că prețurile sînt discontinue.

              Pe scurt

              • Densitatea randamentelor logaritmice zilnice, pe scară logaritmică
                • Curbele: histograma, distribuția Normală implicată de GBM și mixtura Merton estimată
                • Merton reproduce vîrful și regiunile adiacente mult mai bine
              • S&P 500: momentele implicate de modelul Merton, față de cele din date
                • Excesul de kurtosis implicat este \(3{,}7\), față de \(10{,}9\) în date
                • Asimetria implicată este \(-0{,}31\), față de \(-0{,}36\)
              • Zilele cele mai extreme se află dincolo de ambele curbe estimate
              • Circa \(102\) „salturi” pe an
                • Modelul folosește salturile pentru a imita volatilitatea variabilă
              • Un model i.i.d. nu poate distinge un salt de o perioadă volatilă
                • Deci este nevoie de un test direct
              • Tipul de dovadă: descriere
              MFM_ch11_merton_density

              Recapitulare: ce adaugă salturile

              Slide 43 în PDF

              În modelul Merton, randamentul logaritmic mediu pe an este \(m + \lambda\mu_J\), deci \(m\) singur este doar driftul componentei de difuzie. Cumulanții de ordin superior provin doar din salturi, \(c_k = \lambda\Delta t\,\mathbb{E}[Y^k]\) pentru \(k \ge 3\), iar excesul de kurtosis \(c_4/c_2^2\) scade ca \(1/\Delta t\) pe măsură ce orizontul crește. Pe S&P 500, \(\hat m + \hat\lambda\hat\mu_J = 24{,}8\% + (-16{,}5\%) \approx 8{,}3\%\), același cu driftul logaritmic al GBM.

              Verificarea de pe slide aplică această scalare. Dacă salturile dau un exces de kurtosis zilnic de 12 și randamentele sînt i.i.d., excesul de kurtosis al randamentelor pe 10 zile este \(12/10 = 1{,}2\): pe 10 zile, atît \(c_4\), cît și \(c_2\) cresc de 10 ori, deci \(c_4/c_2^2\) scade de 10 ori. Salturile contează cel mai mult la orizonturi scurte.

              Pe scurt

              • Formulele de reținut
                • \(\dd\ln S_t = m\,\dd t + \sigma\,\dd W_t + \dd J_t\)
                • Randamentul logaritmic mediu este \(m + \lambda\mu_J\) pe an
                • Deci \(m\) singur este doar driftul părții de difuzie
                • Cumulanții de ordin superior provin doar din salturi: \(c_k = \lambda\Delta t\,\E[Y^k]\) pentru \(k \ge 3\)
                • Excesul de kurtosis \(c_4/c_2^2\) scade ca \(1/\Delta t\) cu orizontul
              • Din date: pentru S&P 500, \(\hat m + \hat\lambda\hat\mu_J = 24{,}8\% + (-16{,}5\%) \approx 8{,}3\%\)
                • La fel ca driftul logaritmic GBM
              • Verificare: salturile dau un exces de kurtosis zilnic de 12
                • Cît este pentru randamentele pe 10 zile, dacă randamentele sînt i.i.d.?
                • Răspuns: \(12/10 = 1{,}2\)
                • Pe 10 zile, atît \(c_4\), cît și \(c_2\) cresc de 10 ori, deci \(c_4/c_2^2\) scade de 10 ori

              Sinteza secțiunii

              Salturile dau modelului Merton cozi groase și, cu \(\mu_J < 0\), asimetrie negativă. Estimat pe date zilnice însă, modelul alege circa 80–240 de salturi mici pe an, semn că folosește salturile pentru a imita volatilitatea variabilă, și tot nu atinge kurtosis-ul datelor. Volatilitatea variabilă are nevoie de un model propriu.

              Volatilitate stocastică: modelul Heston

              Creșterea în trepte a variației pătratice din Secțiunea 3 arată că volatilitatea este aleatoare. Modelul Heston dă varianței o dinamică proprie, cu revenire la medie și corelată cu prețul. Secțiunea enunță modelul, explică cum trebuie tratată în simulare varianța de tip rădăcină pătrată și estimează parametrii din VIX.

              Modelul Heston

              Slide 44 în PDF

              Ce model generează volatility clustering și asimetrie negativă? GBM și Merton cu parametri constanți nu produc nici volatility clustering, nici dependență între randamente și volatilitate. Merton poate produce asimetrie marginală negativă, prin salturi cu \(\mu_J < 0\), dar aici ținta este asimetria negativă produsă de efectul de levier (leverage effect).

              Modelul lui Heston (1993) are două SDE, una pentru logaritmul prețului și una pentru varianța instantanee \(v_t\):

              \[\begin{aligned} \mathrm{d}\ln S_t &= \big(\mu - \tfrac{1}{2}v_t\big)\,\mathrm{d}t + \sqrt{v_t}\,\mathrm{d}W_t^{(1)}, \\ \mathrm{d}v_t &= \kappa(\theta - v_t)\,\mathrm{d}t + \xi\sqrt{v_t}\,\mathrm{d}W_t^{(2)}, \end{aligned}\]
              (11.23)

              cu \(\operatorname{Corr}(\mathrm{d}W^{(1)}, \mathrm{d}W^{(2)}) = \rho\). Varianța este un proces CIR, cu nivelul pe termen lung \(\theta\), viteza \(\kappa\) și volatilitatea volatilității (volatility of volatility) \(\xi\). Prima ecuație este logaritmul GBM din (11.10), cu \(\sigma^2\) înlocuit de \(v_t\). Sub condiția Feller \(2\kappa\theta \ge \xi^2\) (Feller, 1951), varianța nu atinge niciodată zero.

              O corelație negativă \(\rho\) produce efectul de levier: o scădere a prețului mărește varianța care scalează mișcările următoare, deci pierderile mari tind să fie urmate de perioade mai volatile, iar randamentele au asimetrie negativă. Efectul este măsurat pe randamente simulate în Secțiunea 11.

              Varianța de tip rădăcină pătrată cere atenție în simulare. Un pas Euler simplu poate face \(v\) negativ, așa că se folosește schema Euler cu trunchiere completă (full truncation), care înlocuiește \(v\) cu \(v^+ = \max(v, 0)\) în coeficienți (Lord, Koekkoek & van Dijk, 2010); schema pătratic-exponențială a lui Andersen (2008) este o alternativă. Randamentele zilnice cer mai mulți pași pe zi. Cu un singur pas, randamentul zilei are distribuția Normală condiționat de \(v\) de la începutul zilei, ceea ce elimină mecanismul intrazilnic prin care \(\rho\) influențează asimetria; asimetria necondiționată poate fi atunci mică, dar nu obligatoriu zero. Secțiunea 11 folosește 390 de pași pe zi, unul pe minut dintr-o sesiune de tranzacționare de 6,5 ore.

              Pe scurt

              • Întrebarea: ce model generează gruparea volatilității și asimetria negativă?
                • aici, asimetria negativă produsă de efectul de levier
                • GBM și Merton cu parametri constanți nu produc gruparea volatilității și nici dependența randament–volatilitate
                • Merton poate produce asimetrie marginală negativă, prin salturi cu \(\mu_J < 0\)
              • Două SDE, pentru logaritmul prețului și pentru varianța instantanee \(v_t\) Heston (1993)
                • \(\dd \ln S_t = \left(\mu - \tfrac{1}{2}v_t\right)\dd t + \sqrt{v_t}\,\dd W_t^{(1)}\)
                • \(\dd v_t = \kappa(\theta - v_t)\,\dd t + \xi\sqrt{v_t}\,\dd W_t^{(2)}\), \(\Corr(\dd W^{(1)}, \dd W^{(2)}) = \rho\)
                • varianța este un proces CIR, cu nivelul \(\theta\), viteza \(\kappa\) și volatilitatea volatilității \(\xi\)
                • Condiția Feller \(2\kappa\theta \ge \xi^2\): varianța nu atinge niciodată zero Feller (1951)
              • \(\rho < 0\): efectul de levier
                • o scădere a prețului mărește varianța care scalează mișcările următoare
                • deci randamentele au asimetrie negativă (Secțiunea 11)
              • Simulare: două scheme
              • Randamentele zilnice cer mai mulți pași pe zi
                • cu un singur pas, randamentul zilei are distribuția Normală condiționat de \(v\) de la începutul zilei
                • pasul unic elimină mecanismul intrazilnic prin care \(\rho\) influențează asimetria; asimetria necondiționată poate fi mică, dar nu obligatoriu zero
                • Secțiunea 11 folosește 390 de pași pe zi, unul pe minut dintr-o sesiune de tranzacționare de 6,5 ore

              Parametrii Heston din VIX

              Slide 45 în PDF

              Varianța instantanee nu este observată. O aproximare practică este \(y_t = (\mathrm{VIX}_t/100)^2\), pătratul VIX, folosit în locul lui \(v_t\) în regresia CIR discretizată, fără termen liber suplimentar:

              \[\frac{y_{t+\Delta t} - y_t}{\sqrt{y_t}} = \kappa\theta\,\frac{\Delta t}{\sqrt{y_t}} - \kappa\Delta t\,\sqrt{y_t} + \xi\sqrt{\Delta t}\,\varepsilon_t.\]

              Împărțirea la \(\sqrt{y_t}\) face eroarea homoscedastică, deci OLS pe cei doi regresori dă \(\kappa\theta\) și \(\kappa\), iar abaterea standard a reziduurilor dă \(\xi\). Corelația \(\rho\) se estimează din randamentele zilnice ale S&P 500 și variațiile aproximării.

              Pentru S&P 500 și VIX pe 1990–2026, estimările sînt \(\hat\kappa = 4{,}13\), un timp de înjumătățire de 42 de zile, \(\hat\xi = 0{,}56\) și \(\hat\rho = -0{,}69\). Nivelul pe termen lung implicat de VIX este \(\sqrt{\hat\theta} = 20{,}9\%\), peste volatilitatea realizată de 18,0%, iar raportul Feller al aproximării este \(2\hat\kappa\hat\theta/\hat\xi^2 = 1{,}16\).

              Aproximarea nu este varianța. VIX este o valoare așteptată neutră la risc a varianței viitoare, afină în \(v_t\), iar această relație atenuează \(\hat\xi\) (Aprofundări). Pentru traiectoriile simulate, \(\theta\) este fixat deci la varianța realizată a S&P 500, nu la nivelul VIX.

              Pe scurt

              • Folosim proxy-ul \(y_t = (\mathrm{VIX}_t/100)^2\) în locul lui \(v_t\)
                • estimăm regresia CIR discretizată, fără termen liber suplimentar
                • \(\frac{y_{t+\Delta t} - y_t}{\sqrt{y_t}} = \kappa\theta\frac{\Delta t}{\sqrt{y_t}} - \kappa\Delta t\sqrt{y_t} + \xi\sqrt{\Delta t}\,\varepsilon_t\)
              • S&P 500 și VIX, 1990–2026: \(\hat\kappa = 4{,}13\), \(\hat\xi = 0{,}56\) și \(\hat\rho = -0{,}69\)
                • timpul de înjumătățire corespunzător: \(42\) de zile
                • Nivelul pe termen lung din VIX este \(\sqrt{\hat\theta} = 20{,}9\%\), dar volatilitatea realizată este \(18{,}0\%\)
                • Raportul Feller al proxy-ului este \(2\hat\kappa\hat\theta/\hat\xi^2 = 1{,}16\)
              • Dar \(y_t\) nu este \(v_t\)
                • este valoarea așteptată a varianței viitoare sub măsura neutră la risc
                • este afină în \(v_t\), deci \(\hat\xi\) este atenuat (Aprofundări)
                • Pentru traiectoriile simulate fixăm \(\theta\) la varianța realizată a S&P 500

              Recapitulare: volatilitatea stocastică

              Slide 46 în PDF

              În modelul Heston, varianța este un proces CIR, \(\mathrm{d}v_t = \kappa(\theta - v_t)\,\mathrm{d}t + \xi\sqrt{v_t}\,\mathrm{d}W_t^{(2)}\), care rămîne pozitiv dacă \(2\kappa\theta \ge \xi^2\). Un \(\rho = \operatorname{Corr}(\mathrm{d}W^{(1)}, \mathrm{d}W^{(2)})\) negativ dă efect de levier, randamente cu asimetrie negativă și un skew descendent al volatilității implicite. Pătratul VIX satisface \((\mathrm{VIX}/100)^2 = a + b\,v_t\) cu parametri \(Q\), deci \(\kappa\) și \(\rho\) se transmit de la aproximare la varianță, în timp ce \(\xi\) este atenuat de \(b\).

              Verificarea de pe slide aplică condiția Feller. Cu \(\kappa = 4\) și \(\theta = 0{,}04\), condiția este îndeplinită pentru \(\xi \le \sqrt{2 \cdot 4 \cdot 0{,}04} = \sqrt{0{,}32} \approx 0{,}57\); o volatilitate a volatilității mai mare permite varianței să atingă zero.

              Pe scurt

              • Formulele de reținut
                • Varianța este un proces CIR, \(\dd v_t = \kappa(\theta - v_t)\,\dd t + \xi\sqrt{v_t}\,\dd W_t^{(2)}\)
                • procesul rămîne pozitiv dacă \(2\kappa\theta \ge \xi^2\)
                • \(\rho = \Corr(\dd W^{(1)}, \dd W^{(2)}) < 0\) dă efectul de levier și randamente cu asimetrie negativă
                • același semn negativ dă o înclinare descendentă (skew) a volatilității implicite
                • \((\mathrm{VIX}/100)^2 = a + b\,v_t\), cu \(a\), \(b\) din parametrii \(Q\) (nu coeficienții AR(1))
                • \(\kappa\) și \(\rho\) se păstrează, iar \(\xi\) este atenuat de \(b\)
              • Verificare: cu \(\kappa = 4\) și \(\theta = 0{,}04\), care este cel mai mare \(\xi\) pentru care este îndeplinită condiția Feller?
                • Răspuns: \(\xi \le \sqrt{2 \cdot 4 \cdot 0{,}04} = \sqrt{0{,}32} \approx 0{,}57\)
                • o volatilitate a volatilității mai mare permite varianței să atingă zero

              Sinteza secțiunii

              Heston dă volatilității o dinamică proprie: cu revenire la medie, cu un timp de înjumătățire de 42 de zile pe VIX, și corelată cu randamentele prin \(\hat\rho = -0{,}69\). VIX identifică viteza și corelația, dar nivelul și volatilitatea lui amestecă parametrii reali și pe cei neutri la risc. Secțiunea următoare întreabă dacă modelele estimate reproduc datele.

              Compararea empirică a modelelor

              Fiecare model a fost estimat separat. Secțiunea le compară pe o bază comună: randamentele simulate din GBM, Merton și Heston, la parametrii estimați, sînt confruntate cu S&P 500 pe trei repere, forma distribuției, volatility clustering și coada.

              Trei repere pentru randamentele simulate (1/2)

              Slide 47 în PDF

              Ce model estimat reproduce randamentele S&P 500? Comparația folosește trei caracteristici ale randamentelor zilnice. Forma este măsurată prin asimetria \(c_3/c_2^{3/2}\) și excesul de kurtosis \(c_4/c_2^2\), unde \(c_k\) sînt cumulanții definiți în Aprofundări. Reperul de kurtosis estimează consistent un kurtosis finit doar cînd momentul de ordinul patru este finit, lucru pus sub semnul întrebării în Capitolul 1.

              Clustering-ul este măsurat prin ACF a lui \(|r_t|\) la lagurile 1–20, care este zero pentru orice model i.i.d., inclusiv Merton. Coada este măsurată prin statistica Hill a celor mai mari \(k\) pierderi \(L_{(1)} \ge \cdots \ge L_{(k+1)}\):

              \[\hat\alpha = \Big[\frac{1}{k}\sum_{i=1}^{k}\ln\big(L_{(i)}/L_{(k+1)}\big)\Big]^{-1}.\]
              (11.24)

              Pe scurt

              • Întrebarea: ce model estimat reproduce randamentele S&P 500?
                • modelele estimate: GBM, Merton, Heston
                • trei repere: forma, gruparea volatilității și coada
              • Forma: asimetria \(c_3/c_2^{3/2}\) și excesul de kurtosis \(c_4/c_2^2\) ale randamentelor zilnice
                • cumulanții: Aprofundări
                • reperul kurtosis estimează consistent o kurtosis finită doar cu moment de ordin patru finit, pus sub semnul întrebării în Capitolul 1
              • Gruparea volatilității: ACF a lui \(|r_t|\) la lagurile 1–20
                • zero pentru orice model i.i.d., inclusiv Merton
              • Coada: statistica Hill a celor mai mari \(k\) pierderi \(L_{(1)} \ge \cdots \ge L_{(k+1)}\)
                • \(\hat\alpha = \left[\frac{1}{k}\sum_{i=1}^{k}\ln\left(L_{(i)}/L_{(k+1)}\right)\right]^{-1}\)

              Trei repere pentru randamentele simulate (2/2)

              Slide 48 în PDF

              Statistica Hill (11.24) estimează indicele de coadă (tail index) \(\alpha\) din \(P(L > x) \approx C x^{-\alpha}\) pentru \(x\) mare. Deoarece \(P(L > 2x)/P(L > x) \approx 2^{-\alpha}\), un \(\alpha\) mai mic înseamnă o coadă mai groasă. Cu \(\alpha = 2{,}56\), dublarea pierderii lasă \(2^{-2{,}56} \approx 0{,}17\) din frecvență; o coadă Normală lasă \(P(Z > 4)/P(Z > 2) \approx 0{,}0014\).

              Estimarea depinde de numărul \(k\) de statistici de ordine folosite: pentru date este 2,97, 2,56 și 2,04 cînd \(k\) reprezintă 2,5%, 5% și 10% din randamente. Comparația de mai jos folosește \(k\) = 5%.

              Pe scurt

              • Statistica Hill estimează \(\alpha\) din \(P(L > x) \approx C x^{-\alpha}\) pentru \(x\) mare
                • \(P(L > 2x)/P(L > x) \approx 2^{-\alpha}\), deci un \(\alpha\) mai mic înseamnă o coadă mai grea
              • Cu \(\alpha = 2{,}56\), dublarea pierderii păstrează \(2^{-2{,}56} \approx 0{,}17\) din frecvență
                • o coadă Normală păstrează \(P(Z > 4)/P(Z > 2) \approx 0{,}0014\)
              • Estimarea depinde de \(k\): în date, \(2{,}97\) pentru \(k\) = 2,5% din randamente
                • \(2{,}56\) pentru 5% și \(2{,}04\) pentru 10% din randamente

              Capacitatea modelelor de a reproduce S&P 500 (1/2)

              Slide 49 în PDF

              Cele trei grafice compară S&P 500 cu cele trei modele estimate: ACF a lui \(|r_t|\) la lagurile 1–50 (stînga), excesul de kurtosis (mijloc) și statistica Hill la \(k\) = 5% din randamente (dreapta). Pentru fiecare model, valorile sînt mediane pe eșantioanele simulate, cu intervale de 90%. Cursorul fixează cîte dintre cele 100 de simulări intră în mediane, selectorul arată simulările individuale ale unui model, iar butonul ▶ adaugă simulările una cîte una.

                Întrebare pentru sală Permutăm aleator ordinea randamentelor din fiecare simulare Heston, păstrînd toate valorile. Ce se întîmplă, în mod obișnuit, cu ACF a lui |r| la lagul 1?
                Răspuns

                Ajunge în jurul lui zero. Permutarea distruge ordinea temporală care produce volatility clustering, deci ACF ajunge în jurul lui zero, cu fluctuații de eșantionare, ca la GBM și Merton. Valoarea 0,28 (mediana Heston fără permutare, față de 0,27 în date) presupune greșit că păstrarea distribuției empirice păstrează și dependența temporală. Excesul de kurtosis al fiecărei simulări rămîne neschimbat. Merton reproduce statistica Hill (2,70 față de 2,56) și asimetria (−0,32 față de −0,36). Cu acești parametri, niciuna dintre cele 100 de simulări ale celor trei modele nu atinge excesul de kurtosis din date, 10,88.

                Doar Heston produce o ACF a lui \(|r_t|\) apropiată de date, 0,28 la lagul 1 față de 0,27. Merton este cel mai aproape în coadă, cu o statistică Hill de 2,70 față de 2,56. Cu toate cele 100 de simulări, niciunul dintre cele trei modele nu atinge excesul de kurtosis al datelor, 10,88.

                Capacitatea modelelor de a reproduce S&P 500 (2/2)

                Slide 50 în PDF

                Fiecare model este simulat de 100 de ori, cu eșantioane de 9 245 de zile, lungimea seriei S&P 500; tabelul raportează mediane și intervale de 90%, iar tabelul complet este în Anexă. Merton obține coada și asimetria, dar nu și clustering-ul: statistica Hill este 2,70 față de 2,56, iar asimetria −0,32 față de −0,36. Heston, cu parametrii din VIX, obține clustering-ul și o parte din asimetrie, −0,21 față de −0,36. Aproximarea de ordinul principal derivată în Aprofundări dă circa −0,20 la acești parametri; simularea folosește 390 de pași Euler cu trunchiere completă pe zi, însumați în randamente zilnice.

                Niciun model estimat nu atinge kurtosis-ul datelor: 3,66 pentru Merton și 3,21 pentru Heston, față de 10,88. Studiile care estimează modele mai bogate, Andersen, Benzoni & Lund (2002) și Eraker, Johannes & Polson (2003), favorizează salturile și volatilitatea stocastică, modelul SVJ (stochastic volatility with jumps) al lui Bates (1996).

                Comparația privește procedurile, adică modelele la parametrii estimați. Ea nu exclude orice membru al unei familii: un model Heston cu un raport Feller mai mic ar putea atinge kurtosis-ul datelor (Anexă).

                Pe scurt

                • 100 de eșantioane simulate de cîte 9 245 de zile din fiecare model estimat
                  • mediane, intervale de 90%
                  • statisticile comparate: ACF a lui \(|r_t|\) și excesul de kurtosis (\(10{,}88\) în date)
                  • și statistica Hill pe \(k\) = 5% din randamente
                • Merton reproduce statistica Hill și asimetria, dar nu și gruparea volatilității
                  • statistica Hill: \(2{,}70\), față de \(2{,}56\)
                  • asimetria: \(-0{,}32\), față de \(-0{,}36\)
                • Heston, cu parametrii din VIX, reproduce gruparea volatilității și o parte din asimetrie
                  • asimetria: \(-0{,}21\), față de \(-0{,}36\)
                  • aproximarea de ordinul principal dă circa \(-0{,}20\) la acești parametri (Aprofundări)
                  • simularea: 390 de pași Euler cu trunchiere completă pe zi, însumați în randamente zilnice
                • Niciun model estimat nu atinge excesul de kurtosis din date (tabelul complet: Anexa)
                • Tipul de dovadă: comparație între proceduri (arată care metodă funcționează mai bine pe aceleași date, nu de ce)
                  • modelele la parametrii estimați: un Heston cu raport Feller mai mic ar putea atinge kurtosis-ul (Anexa)
                MFM_ch11_models_vs_data

                Alegerea modelului: caracteristici, identificare și limite

                Slide 51 în PDF

                Tabelul leagă fiecare caracteristică a datelor de modelul care o produce, de ceea ce identifică datele despre acel model și de ceea ce rămîne nerezolvat:

                • GBM explică prețurile pozitive și scalarea cu \(\sqrt{t}\), cu un \(\sigma\) precis și un \(\mu\) identificat doar pe orizonturi foarte lungi, dar nu și cozile groase sau clustering-ul.
                • Familia OU (Vasicek, CIR, CKLS) explică revenirea la medie a ratelor și a VIX; funcția ei de difuzie este precisă, \(\kappa\) este deplasat în sus și cere un orizont lung, iar un singur factor este prea simplu pentru VIX.
                • Merton explică salturile de preț și cozile groase la orizonturi scurte; \(\lambda\) și \(\sigma_J\) sînt identificați doar sub randamente i.i.d., ponderea salturilor depinde de frecvență, iar clustering-ul lipsește.
                • Heston explică clustering-ul, efectul de levier și skew-ul volatilității implicite; VIX identifică \(\kappa\) și \(\rho\), \(\xi\) este atenuat, \(\theta^Q \neq \theta^P\), iar kurtosis-ul datelor nu este atins.
                • Modelul Bates, Heston cu salturi, tratează toate aceste caracteristici împreună, folosind randamentele și suprafețele de opțiuni, dar stările lui sînt latente și trebuie filtrate.

                O caracteristică în plus rămîne în afara tuturor acestor modele cu un factor: roughness-ul și memoria lungă (long memory) a volatilității, subiectul primului studiu de caz.

                Pe scurt

                Caracteristica din dateModelulParametri identificațiNerezolvat
                Prețuri pozitive, scalarea cu \(\sqrt{t}\)GBM\(\sigma\) precis; \(\mu\) doar pe orizonturi foarte lungicozi groase, gruparea volatilității
                Revenirea la medie a dobînzilor și a VIXOU, Vasicek, CIR, CKLS\(b(r)\) precis; \(\kappa\) deplasat în sus, necesită un orizont lungun singur factor, prea simplu pentru VIX
                Salturi, cozi groase pe orizonturi scurteMerton\(\lambda\), \(\sigma_J\) doar sub randamente i.i.d.; ponderea salturilor depinde de frecvențăfără gruparea volatilității
                Gruparea volatilității, efectul de levier, înclinarea volatilității impliciteHeston\(\kappa\), \(\rho\) din VIX; \(\xi\) atenuat; \(\theta^Q \neq \theta^P\)kurtosis-ul datelor
                Toate cele de mai susBates (Heston + salturi)randamentele și suprafețele de opțiuni împreunăstări latente: este nevoie de filtrare
                • Niciunul dintre aceste modele cu un factor nu reproduce asperitatea la scară mică (roughness) și memoria lungă ale volatilității
                  • ambele caracteristici sînt discutate în continuare

                Sinteza secțiunii

                La parametrii estimați, salturile reproduc coada, iar volatilitatea stocastică reproduce clustering-ul, dar niciuna nu atinge kurtosis-ul randamentelor zilnice ale S&P 500. Fiecare model răspunde la o parte din întrebarea capitolului; combinația dintre salturi și volatilitate stocastică este candidatul firesc următor.

                Studii de caz: volatilitate aspră, persistență și explozii de drift

                Două articole recente testează descrierea în timp continuu la scări mai fine:

                1. Primul, Bennedsen, Lunde & Pakkanen (2022), întreabă dacă volatilitatea este simultan rough la laguri scurte și persistentă la laguri lungi, ceea ce niciun model cu un singur exponent Hurst nu permite.
                2. Al doilea, Christensen, Oomen & Renò (2022), întreabă dacă driftul poate domina volatilitatea timp de cîteva minute.

                Ambele sînt replicate pe bare SPY de cinci minute.

                Context: mișcarea browniană fracționară și exponentul Hurst (1/2) (aprofundare)

                Slide 52 în PDF

                Poate un singur proces să descrie o volatilitate neregulată la scări mici și persistentă la scări mari, așa cum sugerează scăderea lentă a ACF a VIX din Aprofundări? Instrumentul standard pentru neregularitate este mișcarea browniană fracționară (fractional Brownian motion) \(B^H\), \(0 < H < 1\), un proces gaussian cu \(B^H_0 = 0\) și

                \[\operatorname{Cov}(B^H_s, B^H_t) = \tfrac12\big(s^{2H} + t^{2H} - |t - s|^{2H}\big).\]
                (11.25)

                Pentru \(H = 1/2\), covarianța este \(\min(s, t)\), covarianța mișcării browniene. În general, incrementele au dispersia \(\mathbb{E}[(B^H_{t+h} - B^H_t)^2] = h^{2H}\). Pentru \(H < 1/2\), incrementele succesive sînt corelate negativ, iar traiectoriile sînt mai rugoase decît cele browniene; pentru \(H > 1/2\), sînt corelate pozitiv, iar traiectoriile sînt mai netede.

                Pe scurt

                • Întrebarea: poate un singur proces descrie volatilitatea la ambele scări?
                  • la scară mică, volatilitatea este neregulată
                  • la scară mare, este persistentă (ACF a VIX, Secțiunea 6)
                • Mișcarea browniană fracționară \(B^H\), \(0 < H < 1\): un proces gaussian cu \(B^H_0 = 0\)
                  • \(\Cov(B^H_s, B^H_t) = \tfrac12\left(s^{2H} + t^{2H} - |t - s|^{2H}\right)\)
                  • \(H = 1/2\) dă \(\min(s, t)\), adică mișcarea browniană
                  • incrementele au dispersia \(\E[(B^H_{t+h} - B^H_t)^2] = h^{2H}\)
                  • \(H < 1/2\): incrementele succesive sînt corelate negativ
                  • traiectoriile sînt atunci mai neregulate decît mișcarea browniană
                  • \(H > 1/2\): corelate pozitiv, mai netede

                Context: mișcarea browniană fracționară și exponentul Hurst (2/2) (aprofundare)

                Slide 53 în PDF

                Procesul OU fracționar este ecuația OU (11.12) condusă de \(B^H\) în loc de \(W\). Un singur exponent \(H\) fixează atunci ambele capete ale ACF. La laguri scurte, variograma se comportă ca \(h^{2H} = h^{2\alpha + 1}\), unde \(\alpha = H - 1/2\) este indicele de roughness; \(\alpha < 0\) înseamnă traiectorii rugoase. La laguri lungi, ACF scade ca \(h^{2H - 2} = h^{-\beta}\), deci \(\beta = 2 - 2H\); \(\beta < 1\) dă o ACF neintegrabilă, adică memorie lungă.

                Cele două caracteristici sînt legate între ele: roughness-ul (\(H < 1/2\)) implică \(\beta > 1\), memorie scurtă, iar memoria lungă (\(\beta < 1\)) implică \(H > 1/2\), traiectorii netede.

                Pe scurt

                • OU fracționar: ecuația OU cu \(B^H\) în locul lui \(W\)
                  • un singur \(H\) fixează ambele capete ale ACF
                • Laguri mici: variograma \(\E[(x_{t+h} - x_t)^2]\) se comportă ca \(h^{2H} = h^{2\alpha + 1}\)
                  • deci indicele de asperitate este \(\alpha = H - 1/2\) (\(\alpha < 0\): volatilitate aspră, rough)
                  • aici \(\alpha\) nu este indicele cozii din Secțiunea 11
                • Laguri mari: ACF scade ca \(h^{2H - 2} = h^{-\beta}\)
                  • deci \(\beta = 2 - 2H\) (\(\beta < 1\): ACF neintegrabilă, memorie lungă)

                Întrebarea de cercetare: poate volatilitatea să fie aspră și totuși persistentă?

                Slide 54 în PDF

                Verificarea de pe slide arată tensiunea. Un parametru de memorie lungă \(\beta = 0{,}18\) cere \(H = 1 - \beta/2 = 0{,}91\), deci \(\alpha = 0{,}41 > 0\): procesul este neted, nu rough. Un singur \(H\) nu poate reproduce ambele caracteristici.

                Bennedsen, Lunde & Pakkanen (2022), în Journal of Financial Econometrics, tratează \(\alpha\) și \(\beta\) ca parametri separați. Articolul pornește de la Gatheral, Jaisson & Rosenbaum (2018), care modelează logaritmul volatilității ca proces OU fracționar cu \(H < 1/2\), modelul RFSV (rough fractional stochastic volatility); modelul cu memorie lungă al lui Comte & Renault (1998) folosește în schimb \(H > 1/2\). Articolul pune două întrebări:

                1. dacă volatilitățile realizate sînt simultan rough și persistente;
                2. dacă modelele care fixează separat \(\alpha\) și \(\beta\) prognozează mai bine.

                Modelul, estimatorii și rezultatele articolului sînt în Anexă.

                Pe scurt

                • Verificare: ce \(H\) dă \(\beta = 0{,}18\)? Este acel proces aspru?
                  • Răspuns: \(H = 1 - \beta/2 = 0{,}91\), deci \(\alpha = 0{,}41 > 0\): neted, nu aspru
                  • un singur \(H\) nu poate reproduce ambele trăsături
                • Lucrarea: Bennedsen, Lunde & Pakkanen (2022), Journal of Financial Econometrics
                  • tratează \(\alpha\) și \(\beta\) ca parametri separați
                  • pornește de la RFSV (rough fractional stochastic volatility) Gatheral, Jaisson & Rosenbaum (2018)
                  • RFSV: logaritmul volatilității ca proces OU fracționar cu \(H < 1/2\)
                  • Modelul cu memorie lungă propus de Comte & Renault (1998) folosește \(H > 1/2\)
                • Întrebarea 1: sînt volatilitățile realizate în același timp aspre și persistente?
                • Întrebarea 2: prognozează mai bine modelele care permit valori separate pentru \(\alpha\) și \(\beta\)?
                  • modelul, estimatorii și rezultatele: Anexă

                Studiu de caz: replicare pe SPY, \(\Delta\) = o zi (1/3)

                Slide 55 în PDF

                Replicarea folosește bare SPY de 5 minute, 1 468 de zile complete, din octombrie 2020 pînă în septembrie 2026; articolul studiază contractele futures E-mini S&P 500, iar SPY urmărește același indice. Logaritmul volatilității zilnice este măsurat ca \(x_t = \log\hat\sigma_t = \tfrac12\log \mathrm{BV}_t\), unde \(\mathrm{BV}_t\) este variația bipower (bipower variation) a celor 78 de randamente de cinci minute ale zilei, robustă la salturi (Barndorff-Nielsen & Shephard, 2004).

                Roughness-ul este estimat din variogramă,

                \[\hat\gamma_2(k) = \frac{1}{n-k}\sum_t (x_{t+k} - x_t)^2 \approx c\,k^{2\alpha+1} \quad \text{pentru } k \text{ mic}.\]
                (11.26)

                Panta OLS \(\hat a_1\) a lui \(\log\hat\gamma_2(k)\) pe \(\log k\), pentru \(k = 1, \dots, 6\), dă \(\hat\alpha = (\hat a_1 - 1)/2\). Varianta robustă la zgomot, prin cele mai mici pătrate neliniare (NLLS, non-linear least squares), estimează \(\hat\gamma_2(k) = b_0 + b_1 k^{2\alpha+1}\), unde constanta \(b_0\) preia zgomotul de măsurare din \(x_t\).

                Persistența este estimată prin ajustarea ACF din clasa Cauchy, \(\rho(h) = (1 + |h|^{2\alpha+1})^{-\beta/(2\alpha+1)}\), care fixează separat \(\alpha\) și \(\beta\), pe primele \(\lceil n^{1/3}\rceil = 12\) laguri. Reperul cu memorie scurtă este un proces OU, cu ACF \(e^{-\kappa h}\).

                Pe scurt

                • Date: bare de 5 minute pentru SPY (SPDR S&P 500 ETF Trust, fondul tranzacționat la bursă pe indicele S&P 500), 1 468 de zile complete (octombrie 2020 – septembrie 2026)
                  • lucrarea studiază contractele futures E-mini S&P 500; SPY replică același indice
                • \(x_t = \log\hat\sigma_t = \tfrac12\log \mathrm{BV}_t\), unde \(\mathrm{BV}_t\) este variația bipower zilnică
                • Asperitatea: variograma \(\hat\gamma_2(k) = \frac{1}{n-k}\sum_t(x_{t+k} - x_t)^2 \approx c\,k^{2\alpha+1}\) pentru \(k\) mic
                  • OLS: panta \(\hat a_1\) a lui \(\log\hat\gamma_2(k)\) în funcție de \(\log k\), \(k = 1, \dots, 6\), dă \(\hat\alpha = (\hat a_1 - 1)/2\)
                  • NLLS (Non-Linear Least Squares, metoda celor mai mici pătrate neliniare) robust la zgomot: \(\hat\gamma_2(k) = b_0 + b_1 k^{2\alpha+1}\)
                  • \(b_0\) absoarbe zgomotul de măsurare din \(x_t\)
                • Persistența: ACF din clasa Cauchy, \(\rho(h) = (1 + |h|^{2\alpha+1})^{-\beta/(2\alpha+1)}\)
                  • ajustată pe primele \(\lceil n^{1/3}\rceil = 12\) laguri
                • Reperul de memorie scurtă: un proces OU, cu ACF \(e^{-\kappa h}\)

                Studiu de caz: replicare pe SPY, \(\Delta\) = o zi (2/3)

                Slide 56 în PDF

                Graficul din stînga arată variograma empirică \(\hat\gamma_2(k)\) în funcție de \(k\) pe axe logaritmice, cu dreapta OLS și o dreaptă punctată de referință cu panta 1, roughness-ul mișcării browniene (\(\alpha = 0\)); o pantă mai mică înseamnă traiectorii mai rugoase. Graficul din dreapta arată ACF empirică a lui \(x_t\) pînă la lagul 100, cu curba Cauchy ajustată și o curbă exponențială. Primul cursor fixează numărul \(m\) de laguri folosite de OLS, al doilea numărul \(H\) de laguri folosite la ajustarea ACF, iar butonul ▶ crește \(H\).

                  Întrebare pentru sală Extindem ajustarea curbei exponențiale din grafic de la primele 12 laguri la primele 60. Ce compromis apare în apropierea de ACF empirică?
                  Răspuns

                  Ajustarea se îmbunătățește la lagul 100, dar se înrăutățește la lagul 1. Pentru curba desenată, A·exp(−κh), valoarea la lagul 100 crește de la circa 0,0014 la 0,073, apropiindu-se de 0,13 în date; la lagul 1 scade de la circa 0,661 la 0,484, îndepărtîndu-se de circa 0,73 în date. Ajustarea pe mai multe laguri nu garantează o apropiere mai bună la fiecare lag: o singură exponențială nu urmărește și scăderea rapidă de la primele laguri, și coada lentă. Reperul OU normalizat, exp(−κh), este distinct: cu panta estimată pe 12 laguri (timp de înjumătățire 11 zile) dă 0,002 la lagul 100, iar cu panta estimată pe 60 de laguri (36 de zile) dă 0,149. Clasa Cauchy dă β̂ = 0,26 și β̂* = 0,24, ambele sub 1, în acord cu memoria lungă; variograma dă α̂ = −0,32 (OLS) și −0,35 (NLLS), deci o traiectorie mai rugoasă decît cea browniană.

                  Cu setările implicite, estimarea OLS este \(\hat\alpha_{\mathrm{OLS}} = -0{,}32\), iar autocorelația empirică este încă 0,13 la lagul 100, unde o estimare OU dă 0,002. Extinderea ajustării exponențiale la mai multe laguri o îmbunătățește la lagul 100, dar o înrăutățește la lagul 1: o singură exponențială nu poate urmări și scăderea rapidă inițială, și coada lentă.

                  Pe scurt

                  NLLS: Non-Linear Least Squares. MFM_ch11_rough_vol

                  Studiu de caz: replicare pe SPY, \(\Delta\) = o zi (3/3)

                  Slide 57 în PDF

                  Variograma este mult mai plată decît reperul brownian. OLS dă \(\hat\alpha_{\mathrm{OLS}} = -0{,}32\), iar NLLS robust la zgomot dă \(\hat\alpha^*_{\mathrm{NLLS}} = -0{,}35\), aproape de valorile lui Bennedsen, Lunde & Pakkanen (2022) la o zi, −0,30 (OLS) și −0,33 (NLLS). În grafic, ajustarea NLLS folosește \(m = 15\) laguri; estimarea raportată este media ajustărilor pe 10–20 de laguri.

                  Volatilitatea este și persistentă. Autocorelația este 0,13 la lagul 100, în timp ce o estimare OU, cu un timp de înjumătățire de 11 zile, implică 0,002. Ajustarea Cauchy pe 12 laguri dă \(\hat\beta = 0{,}26\) și, robust la zgomot, \(\hat\beta^* = 0{,}24\); ambele sînt sub 1, în acord cu memoria lungă, dar fără a o dovedi.

                  Rezultatul este descriptiv și are limite. Barele sînt de 5 minute, fără pre-averaging, iar măsurile realizate estimează varianța integrată pe zi, nu varianța instantanee a modelului. Comparația cu întregul Tabel 3 al articolului este în Aprofundări.

                  Pe scurt

                  • Stînga, asperitatea: variograma empirică \(\hat\gamma_2(k)\) în funcție de \(k\), pe axe logaritmice
                    • dreapta punctată, cu panta 1, este asperitatea mișcării browniene (\(\alpha = 0\))
                    • estimatorul OLS, pe \(k = 1, \dots, 6\), dă \(\hat\alpha_{\mathrm{OLS}} = -0{,}32\)
                    • estimatorul NLLS robust la zgomot dă \(\hat\alpha^*_{\mathrm{NLLS}} = -0{,}35\)
                    • Bennedsen, Lunde & Pakkanen (2022), la o zi: \(-0{,}30\) (OLS) și \(-0{,}33\) (NLLS)
                  • Dreapta, persistență: autocorelația este \(0{,}13\) la lagul 100
                    • modelul Cauchy, estimat pe \(12\) laguri, dă \(\hat\beta = 0{,}26\) și \(\hat\beta^* = 0{,}24\) (robust la zgomot)
                    • ambele sub 1: în acord cu memoria lungă, fără a o demonstra
                    • bare de 5 minute fără pre-mediere (pre-averaging); măsurile realizate estimează varianța integrată, nu pe cea instantanee
                    • un model OU (timp de înjumătățire de \(11\) zile) implică o autocorelație de \(0{,}002\) la lagul 100
                  • În grafic, \(m\) este numărul de laguri folosite la ajustarea NLLS, nu driftul logaritmic din GBM
                    • 15 pentru curba ilustrată
                    • estimarea raportată este media pentru 10–20 de laguri
                  • Tipul de dovadă: descriere
                  MFM_ch11_rough_vol

                  Al doilea studiu de caz (1/6): drift bursts

                  Slide 58 în PDF

                  Al doilea articol este Christensen, Oomen & Renò (2022), publicat în Journal of Econometrics. El folosește cotațiile a șase contracte futures ale Chicago Mercantile Exchange (CME) pe 2012–2017, iar pentru E-mini S&P 500 din 2010: E-mini S&P 500, nota de trezorerie pe 10 ani, euro, aur, țiței și porumb.

                  Întrebarea este dacă driftul \(\mu_t\) poate domina volatilitatea timp de cîteva minute. Pe orizonturi lungi, driftul este imprecis, ±11 puncte procentuale pe 10 ani (Secțiunea 5), dar un drift burst este un eveniment local: înainte de un moment \(\tau\), \(|\mu_t|\) crește ca \((\tau - t)^{-a}\), cu \(1/2 < a < 1\). Volatilitatea poate crește și ea, dar mai lent, iar prețul rămîne continuu, fără salt. Flash crash-urile din 6 mai 2010, pe acțiuni, și din 15 octombrie 2014, pe titlurile de stat americane, sînt exemplele articolului.

                  Afirmația principală a articolului, formulată în rezumatul lui, are trei părți:

                  1. drift bursts apar în medie o dată pe săptămînă, în toate cele patru clase de active;
                  2. cele mai multe sînt urmate de o revenire a prețului;
                  3. revenirea este mai puternică după drift bursts negative cu volum mare.

                  Pe scurt

                  • Articolul: Christensen, Oomen & Renò (2022), Journal of Econometrics, 227(2), 461–497
                    • Date: cotațiile a șase contracte futures CME (Chicago Mercantile Exchange, Bursa de mărfuri din Chicago), 2012–2017 (E-mini S&P 500 din 2010)
                    • contractele: E-mini S&P 500, T-Note pe 10 ani, euro, aur, petrol, porumb
                  • Întrebarea: poate driftul \(\mu_t\) să domine volatilitatea timp de cîteva minute?
                    • pe orizonturi lungi, driftul este imprecis: \(\pm 11\) puncte procentuale pe 10 ani (Secțiunea 5)
                    • drift burst: înainte de un moment \(\tau\), \(|\mu_t|\) crește ca \((\tau - t)^{-a}\), cu \(1/2 < a < 1\)
                    • volatilitatea poate crește și ea, dar mai lent; prețul rămîne continuu, fără salt
                    • prăbușirile fulger (flash crash) din 6 mai 2010 (acțiuni) și 15 octombrie 2014 (titluri de stat SUA) sînt exemplele din articol
                  • Afirmația principală (rezumatul articolului)
                    • drift bursts apar în medie o dată pe săptămînă, în toate cele patru clase de active
                    • cele mai multe sînt urmate de o revenire a prețului
                    • revenirea este mai puternică după drift bursts negative cu volum mare

                  Al doilea studiu de caz (2/6): drift bursts pe SPY, bare de 5 minute

                  Slide 59 în PDF

                  Graficul din stînga arată prețul SPY și statistica de drift burst \(T_t\) în ziua aleasă cu selectorul; implicit este 20 decembrie 2023, ziua cu cel mai mare \(|T_t|\) din eșantion, −3,83 la ora 15:00. Graficul din mijloc numără zilele cu \(\max_t |T_t| > c\) în funcție de pragul \(c\), în date și sub ipoteza nulă cu semne aleatoare, fără drift. Graficul din dreapta arată, pentru zilele cu \(\max_t |T_t|\) peste valoarea critică de 95%, randamentul din cele 15 minute de după vîrful lui \(|T_t|\) față de randamentul din cele 15 minute dinaintea lui; punctele din cadranele stînga-sus și dreapta-jos sînt reveniri. Cursorul fixează lățimea de bandă a driftului \(h\) în minute, iar butonul ▶ o crește.

                    Întrebare pentru sală Dintre cele 109 zile cu max |T_t| > 2,91, cîte sînt drift bursts?
                    Răspuns

                    Numărul de drift bursts adevărate nu este identificat de această procedură. Cele 109 zile sînt candidate; diferența 109 − 73,84 = 35,16 este un exces descriptiv față de nulul cu semne aleatoare, care păstrează modulele randamentelor, dar elimină driftul, asimetria salturilor și efectul de levier. Pragul este calibrat pentru aproximativ 5% depășiri ale maximului zilnic sub acest nul, nu pentru 5% alarme false printre zilele selectate și nici pentru orice proces fără drift burst. Nicio replicare din cele 200 nu atinge 109 zile (maximul este 100); p-value Monte Carlo este circa 0,005. Acest rezultat nu identifică mecanismul care produce excesul. Revenirea, prezentă în 65% din cele 80 de zile cu fereastră completă după vîrf, este tot descriptivă: vîrful este ales retrospectiv, iar sub ipoteza nulă, cu aceeași selecție, proporția medie este 56,5%; panta este doar 0,03, iar pe tranzacțiile E-mini S&P 500 articolul găsește −0,26.

                    Cu \(h\) = 15 minute, 109 zile depășesc valoarea critică de 2,91, față de 73,84 în medie sub ipoteza nulă. În aceste zile, prețul revine în 65% din cele 80 de zile cu fereastră completă după vîrf; slide-urile următoare arată de ce ambele cifre sînt descriptive.

                    Pe scurt

                    • Stînga: prețul SPY și statistica de test \(T_t\) (definită pe slide-ul următor) pe 20 decembrie 2023, ziua cu cel mai mare \(|T_t|\) din eșantion (\(-\)3,83 la 15:00)
                    • Mijloc: numărul de zile cu \(\max_t |T_t| > c\), în date și sub ipoteza nulă cu semne aleatoare (fără drift)
                    • Dreapta: randamentul din cele 15 minute de după vîrful lui \(|T_t|\), față de cel din cele 15 minute dinainte, în zilele cu \(\max_t |T_t| > 2{,}91\)
                    MFM_ch11_drift_burst

                    Al doilea studiu de caz (3/6): statistica din articol și adaptarea din curs

                    Slide 60 în PDF

                    Statistica articolului (ecuațiile 11–14) compară o estimare locală a driftului cu o estimare locală a volatilității, ambele calculate cu nucleul unilateral \(K(x) = e^{-|x|}\) pentru \(x \le 0\), care folosește doar trecutul:

                    \[\begin{gathered} \hat\mu_t = \frac{1}{h}\sum_i K\Big(\frac{t_{i-1} - t}{h}\Big)\Delta_i X, \\ \hat\sigma_t^2 = \frac{1}{h'}\sum_i K\Big(\frac{t_{i-1} - t}{h'}\Big)(\Delta_i X)^2, \\ T_t = \sqrt{\frac{h}{K_2}}\;\frac{\hat\mu_t}{\hat\sigma_t}, \end{gathered}\]
                    (11.27)

                    cu \(K_2 = \int K^2 = 1/2\). Fără drift burst, \(T_t\) are asimptotic distribuția Normală standard; cu un drift burst, \(|T_t| \to \infty\). Articolul folosește \(h\) = 5 minute și \(h'\) = 25 de minute, cu pre-averaging și o corecție HAC pentru zgomotul de microstructură, numără drift bursts la praguri fixe între 4 și 6 și estimează alarmele false prin simulare.

                    Cursul adaptează statistica la bare de cinci minute, cu sumele începînd de la deschidere. Dispersia locală este \(\widehat s_j^2 = \sum_i u_{ij} r_i^2 / (\Delta\sum_i u_{ij})\), iar statistica \(T_j = \sum_i w_{ij} r_i \big/ \sqrt{\widehat s_j^2\,\Delta\sum_i w_{ij}^2}\), cu ponderile \(w_{ij} = e^{-(t_j - t_{i-1})/h}\) și \(u_{ij} = e^{-(t_j - t_{i-1})/h'}\). Numitorul este aleator și calculat din aceleași randamente, deci \(T_j\) nu are exact distribuția Normală, iar cu \(h/\Delta = 3\) bare aproximarea asimptotică nu este garantată. Valorile critice sînt deci calibrate prin simulare.

                    Pe scurt

                    • Statistica din articol (ec. 11–14), cu nucleul \(K(x) = e^{-|x|}\) pentru \(x \le 0\) (doar trecutul)
                      • \(\hat\mu_t = \frac{1}{h}\sum_i K\!\left(\frac{t_{i-1} - t}{h}\right)\Delta_i X\) și \(\hat\sigma_t^2 = \frac{1}{h'}\sum_i K\!\left(\frac{t_{i-1} - t}{h'}\right)(\Delta_i X)^2\)
                      • \(T_t = \sqrt{h/K_2}\;\hat\mu_t/\hat\sigma_t\), cu \(K_2 = \int K^2 = 1/2\)
                      • fără drift burst, \(T_t\) are asimptotic distribuția Normală standard; cu drift burst, \(|T_t| \to \infty\)
                    • Articolul: \(h\) = 5 minute, \(h'\) = 25 minute, pre-mediere și corecție HAC (heteroskedasticity and autocorrelation consistent) pentru zgomotul de microstructură
                      • articolul raportează numărul de drift bursts la praguri fixe, 4–6, și estimează prin simulare alarmele false
                    • Cursul: o adaptare pe bare de cinci minute, cu sumele pornite de la deschiderea zilei
                      • \(\widehat s_j^2 = \dfrac{\sum_i u_{ij} r_i^2}{\Delta\sum_i u_{ij}}\) și \(T_j = \dfrac{\sum_i w_{ij} r_i}{\sqrt{\widehat s_j^2\,\Delta\sum_i w_{ij}^2}}\)
                      • ponderile: \(w_{ij} = e^{-(t_j - t_{i-1})/h}\) și \(u_{ij} = e^{-(t_j - t_{i-1})/h'}\)
                      • numitorul este aleator și calculat din aceleași randamente, deci \(T_j\) nu are exact distribuția Normală
                      • cu \(h/\Delta = 3\) bare, aproximația asimptotică nu este garantată: valorile critice se calibrează prin simulare

                    Al doilea studiu de caz (4/6): replicarea pe SPY

                    Slide 61 în PDF

                    Replicarea folosește cele 1 468 de zile complete SPY din octombrie 2020 pînă în septembrie 2026, cu \(h\) = 15 minute (3 bare) și \(h'\) = 75 de minute, raportul 1:5 din articol. Statistica este calculată de 73 de ori pe zi, între 10:00 și 16:00. Nu se folosesc pre-averaging și nici corecția HAC, deoarece zgomotul este mic la 5 minute.

                    Distribuția sub ipoteza nulă se obține înmulțind randamentele cu semne aleatoare \(\pm 1\), în 200 de replicări. Aceasta păstrează modulele randamentelor și tiparul intrazilnic al volatilității, dar elimină driftul. Elimină însă și asimetria salturilor, dependența semnelor și efectul de levier, deci este mai restrînsă decît ipoteza „fără drift burst”; articolul folosește în schimb o ipoteză nulă de tip jump-diffusion.

                    Se folosesc două valori critice:

                    1. Valoarea 2,91 este cuantila de 95% a maximului zilnic \(\max_t |T_t|\) sub ipoteza nulă.
                    2. Aproximarea Gumbel dă 3,50, depășită doar în 0,12% din zilele simulate.

                    Un singur salt dă cel mult \(|T_t| = 2{,}74\), cînd randamentul saltului domină ambele sume de nucleu, deci un salt izolat nu poate depăși singur valoarea critică.

                    Pe scurt

                    • SPY, 1 468 de zile complete (octombrie 2020 – septembrie 2026)
                      • \(h\) = 15 minute (3 bare), \(h'\) = 75 de minute: raportul 1:5 din articol
                      • 73 de teste pe zi, 10:00–16:00
                      • fără pre-mediere și fără HAC: zgomotul este mic la 5 minute
                    • Ipoteza nulă: randamentele înmulțite cu semne aleatoare \(\pm 1\), 200 de replicări
                      • păstrează modulele randamentelor și profilul intrazilnic, dar elimină driftul
                      • elimină și asimetria salturilor, dependența semnelor și efectul de levier
                      • este deci mai restrictivă decît „fără drift burst”; articolul folosește o ipoteză nulă de difuzie cu salturi
                    • Valorile critice
                      • \(2{,}91\): cuantila de 95% a lui \(\max_t |T_t|\) sub ipoteza nulă
                      • aproximarea Gumbel a maximului: \(3{,}50\), depășită doar în \(0{,}12\%\) din zilele simulate
                      • un singur salt dă cel mult \(|T_t| = 2{,}74\) atunci cînd randamentul saltului domină ambele sume ale nucleului, sub pragul de \(2{,}91\)

                    Al doilea studiu de caz (5/6): rezultatul

                    Slide 62 în PDF

                    În date, 109 zile au \(\max_t |T_t| > 2{,}91\), față de 73,84 în medie sub ipoteza nulă. Niciuna dintre cele 200 de replicări nu atinge 109 (maximul este 100), deci p-value-ul Monte Carlo este \(p_{\mathrm{MC}} = 0{,}005\) sub ipoteza nulă cu semne aleatoare. La \(c = 3{,}22\), cuantila de 99%, sînt 23 de zile față de 14,96 (\(p_{\mathrm{MC}} = 0{,}030\)). Excesul descriptiv, 35,16 zile, nu estimează numărul de drift bursts adevărate. Pentru comparație, articolul găsește 202 drift bursts cu \(|T_t| > 4{,}5\) pe E-mini S&P 500 în 2010–2017, circa una la două săptămîni.

                    Zilele candidate sînt asimetrice: 73 din cele 109 au vîrful pe partea negativă (67%), în timp ce ipoteza nulă cu semne aleatoare este simetrică prin construcție. Prețul revine în 65% din cele 80 de zile cu fereastră completă după vîrf, dar aceasta este o statistică descriptivă. Vîrful este ales retrospectiv pe întreaga zi, deci randamentele de după el îi influențează alegerea; sub ipoteza nulă, cu aceeași selecție, proporția este în medie 56,5% și de cel puțin 65% în 12,4% din 1 000 de replicări.

                    Mărimile sînt mici. Prețul scade cu 43,8 puncte de bază (bp) în cele 15 minute pînă la vîrf, apoi recuperează 4,7 bp. Panta lui \(R^+\), randamentul de după vîrf, pe \(R^-\), randamentul dinaintea lui (ecuația 36 din articol), este 0,03 (t = 0,41), în timp ce articolul, pe E-mini cu \(|T_t| > 4\), găsește −0,26 (t = −12,05). Vîrfurile negative cu volum peste mediană, raportat la volumul mediu de la aceeași oră, arată −53,9 bp, apoi +6,4 bp (29 de zile); cele cu volum sub mediană arată −34,4 bp, apoi +3,1 bp (31 de zile).

                    Pe scurt

                    • 109 zile candidate cu \(\max_t |T_t| > 2{,}91\), față de \(73{,}84\) în medie sub ipoteza nulă
                      • nicio replicare din 200 nu ajunge la 109 (maximum 100): \(p_{\mathrm{MC}} = 0{,}005\), sub nulul cu semne aleatoare
                      • la \(c = 3{,}22\) (cuantila de 99%): 23 de zile, față de \(14{,}96\) (\(p_{\mathrm{MC}} = 0{,}030\))
                      • excesul descriptiv, \(35{,}16\) zile, nu estimează numărul de drift bursts adevărate
                      • articolul, pe E-mini S&P 500: 202 drift bursts cu \(|T_t| > 4{,}5\) în 2010–2017, circa unul la două săptămîni
                    • 73 din cele 109 zile au vîrful negativ (\(67\%\)); nulul cu semne aleatoare este simetric prin construcție
                    • Revenirea apare în \(65\%\) din cele 80 de zile cu o fereastră completă după vîrf: statistică descriptivă
                      • vîrful este ales retrospectiv, pe întreaga zi, deci randamentele de după vîrf influențează alegerea lui
                      • sub ipoteza nulă, cu aceeași selecție: \(56{,}5\%\) în medie; cel puțin \(65\%\) în \(12{,}4\%\) din 1 000 de replicări: revenirea nu se distinge de nul
                      • mărimea: \(-\)43,8 puncte de bază (bp) în 15 minute pînă la vîrf, apoi \(+4{,}7\) bp
                      • panta regresiei lui \(R^+\) (după vîrf) pe \(R^-\) (înainte) (ec. 36): 0,03 (t \(=\) 0,41); articolul, E-mini, \(|T_t| > 4\): \(-0{,}26\) (t \(= -12{,}05\))
                      • vîrfuri negative, volum peste mediană (raportat la media de la aceeași oră): \(-\)53,9 bp, apoi \(+6{,}4\) bp (29 de zile)
                      • vîrfuri negative, volum sub mediană: \(-\)34,4 bp, apoi \(+3{,}1\) bp (31 de zile)

                    Al doilea studiu de caz (6/6): validarea procedurii și limitele

                    Slide 63 în PDF

                    Procedura este validată pe date simulate fără drift bursts: 50 de eșantioane de 1 468 de zile, cu bare de 5 minute. Sub Heston, cu parametrii din VIX, efect de levier \(\rho = -0{,}69\) și pași de un minut, excesul mediu este 1,2 zile (cuantila de 95%: 14,8), iar \(p_{\mathrm{MC}} \le 0{,}05\) în 8% din eșantioane. Adăugarea unor salturi Merton asimetrice, cu \(\hat\lambda\), \(\hat\mu_J\) și \(\hat\sigma_J\) estimați pe S&P 500, dă un exces mediu de 3,8 zile (cuantila de 95%: 17,5) și \(p_{\mathrm{MC}} \le 0{,}05\) în 12% din eșantioane. Proporția medie a revenirilor după vîrf este 56% fără salturi și 53% cu salturi.

                    Excesul din date, 35,16 zile, se află peste cuantila de 95% a ambelor modele simulate. Rezultatul este o descriere comparată cu ipoteze nule fără drift; el nu identifică mecanismul de lichiditate propus de articol.

                    Rămîn trei limite:

                    1. Puterea testului la 5 minute nu este estimată, deci puterea mică rămîne o limită anticipată.
                    2. Cu 50 de eșantioane, frecvențele de respingere au o eroare Monte Carlo de circa ±4 puncte procentuale.
                    3. 29 de zile au vîrful în ultimele 15 minute ale sesiunii și nu au fereastră după vîrf.

                    Pe scurt

                    • Aceeași procedură pe date simulate fără drift bursts: 50 de eșantioane de 1 468 de zile, bare de 5 minute
                      • Heston cu parametrii din VIX, efect de levier (\(\rho = -0{,}69\)), pași de un minut
                      • excesul mediu: \(1{,}2\) zile (cuantila de 95%: \(14{,}8\)); \(p_{\mathrm{MC}} \le 0{,}05\) în \(8\%\) din eșantioane
                      • plus salturi Merton asimetrice (\(\hat\lambda\), \(\hat\mu_J\), \(\hat\sigma_J\) estimate pentru S&P 500)
                      • excesul mediu: \(3{,}8\) zile (cuantila de 95%: \(17{,}5\)); \(p_{\mathrm{MC}} \le 0{,}05\) în \(12\%\) din eșantioane
                      • revenirea medie după vîrf: \(56\%\) fără salturi și \(53\%\) cu salturi
                    • Excesul din date, \(35{,}16\) zile, depășește cuantila de 95% din ambele modele simulate
                    • Tipul de dovadă: o descriere, comparată cu ipoteze nule fără drift
                      • nu identifică mecanismul de lichiditate din articol
                    • Limite
                      • puterea testului la 5 minute nu este estimată aici: o putere mică rămîne o limitare anticipată
                      • cu 50 de eșantioane, frecvențele de respingere au o eroare Monte Carlo de circa \(\pm 4\) puncte procentuale
                      • 29 de zile au vîrful în ultimele 15 minute ale ședinței și nu au fereastră după vîrf

                    Sinteza secțiunii

                    Pe SPY, logaritmul volatilității este rough la laguri scurte, cu \(\hat\alpha\) între −0,35 și −0,32, și persistent la laguri lungi, cu \(\hat\beta^*\) = 0,24 sub 1, o combinație pe care nu o produce niciun model cu un singur exponent Hurst și niciun model OU cu un factor. Randamentele de cinci minute conțin mai multe zile cu drift local dominant decît generează ipotezele nule fără drift, dar excesul este descriptiv, iar revenirile sînt mult mai slabe decît în articol.

                    AI pentru descoperire științifică

                    Estimările capitolului lasă o întrebare deschisă: ce parte din traiectoria prețului este discontinuă? Secțiunea formulează întrebarea formal, descrie o buclă de cercetare cu un asistent AI, enumeră verificările pe care trebuie să le facă cercetătorul și parcurge un mini studiu de caz în care concluzia unui asistent este testată.

                    O întrebare deschisă: ce parte din variația prețului provine din discontinuități?

                    Slide 64 în PDF

                    Scriem logaritmul prețului ca difuzie cu salturi,

                    \[\mathrm{d}X_t = \mu_t\,\mathrm{d}t + \sigma_t\,\mathrm{d}W_t + J_t\,\mathrm{d}N_t,\]
                    (11.28)

                    unde \(N_t\) numără salturile, cu intensitatea \(\lambda\), iar \(J_t\) este mărimea saltului. Mărimea de interes este ponderea în dispersie a termenului de salt.

                    Răspunsul depinde de frecvența de eșantionare și de model. MLE Merton zilnic din Secțiunea 9 atribuie salturilor 71% din dispersia S&P 500. Testul bipower pe 5 minute din Capitolul 9 atribuie salturilor 2,8% din dispersia SPY. Cele două cifre diferă de 25 de ori.

                    Datele mai fine micșorează și mai mult ponderea. Christensen, Oomen & Podolskij (2014) constată că la frecvența tranzacțiilor individuale (tick) majoritatea salturilor detectate la eșantionare mai rară dispar: sînt mișcări rapide, dar continue. Christensen, Oomen & Renò (2022) arată că drift bursts, trenduri scurte și explozive în \(\mu_t\), arată ca salturi în datele rare.

                    Formal, întrebarea este un test al ipotezei \(H_0\): \(\lambda = 0\), o traiectorie continuă cu volatilitate stocastică, față de \(H_1\): \(\lambda > 0\). Testul este nestandard, cu aceeași problemă de frontieră ca testul LR Merton din Secțiunea 9.

                    Pe scurt

                    • Modelul: \(\dd X_t = \mu_t\,\dd t + \sigma_t\,\dd W_t + Y_t\,\dd N_t\)
                      • \(X_t\): logaritmul prețului
                      • \(N_t\): numărul de salturi, cu intensitatea \(\lambda\)
                      • \(Y_t\): mărimea saltului
                    • Răspunsul depinde de frecvența de eșantionare și de model
                      • Estimarea Merton pe date zilnice (acest capitol): salturile explică 71% din varianța S&P 500
                      • Testul bipower la 5 minute (Capitolul 9): salturile explică 2,8% din varianța SPY
                      • Christensen, Oomen & Podolskij (2014): date la frecvența tranzacție cu tranzacție
                      • majoritatea salturilor detectate la eșantionare mai rară dispar
                      • aceste „salturi” sînt mișcări rapide, dar continue
                      • Christensen, Oomen & Renò (2022): drift bursts apar ca salturi în datele eșantionate rar
                      • drift burst: o tendință explozivă scurtă în \(\mu_t\)
                    • Întrebarea formală: \(H_0\): \(\lambda = 0\) față de \(H_1\): \(\lambda > 0\)
                      • ipoteza nulă: traiectorie continuă cu volatilitate stocastică
                      • un test nestandard, cu aceeași problemă de frontieră ca testul LR pentru Merton (Secțiunea 9)

                    Bucla descoperirii cu un asistent AI

                    Slide 65 în PDF

                    Bucla folosește un asistent AI, un model lingvistic mare (LLM, large language model) precum Claude, ChatGPT sau Gemini, în șase pași:

                    1. Literatura: asistentul tabelează ponderile salturilor publicate, pe frecvențe, iar fiecare Digital Object Identifier (DOI) este verificat.
                    2. Ipotezele: salturi Merton, volatilitate Heston și drift bursts, fiecare cu o implicație testabilă distinctă.
                    3. Replicarea: estimările capitolului sînt replicate înainte de a calcula ceva nou.
                    4. Robustețea: filtrele și testele sînt fixate înainte de prima rulare.
                    5. Critica: asistentul este rugat să conteste inferența, ca un referent.
                    6. Raportul: conține fiecare specificație încercată, codul și jurnalul interacțiunii cu AI.

                    Prompturi reutilizabile pentru fiecare pas sînt în Anexă.

                    Pe scurt

                    Bucla cu un asistent AI
                    Asistentul: un LLM (Large Language Model — model lingvistic mare) precum Claude, ChatGPT sau Gemini.
                    • 1. Literatura: ponderile publicate ale salturilor, pe frecvențe
                      • verificăm fiecare Digital Object Identifier (DOI) pe Crossref
                    • 2. Ipoteze: salturi Merton, volatilitate Heston, drift bursts
                      • fiecare cu o implicație testabilă distinctă
                    • 3. Replicăm întîi estimările din capitol
                    • 4. Robustețe: filtrele și testele sînt fixate înainte de prima rulare
                    • 5. Critica: asistentul contestă inferența, ca un recenzent
                    • 6. Raportul: toate specificațiile, codul, jurnalul AI
                    • Prompturi reutilizabile: Anexa

                    Verificările cercetătorului: eroare și test

                    Slide 66 în PDF

                    Fiecare eroare probabilă are un test. O ipoteză nulă pe frontieră, cu parametri neidentificați, cere un bootstrap parametric sub \(H_0\). Folosirea informației viitoare (look-ahead) în filtrul de volatilitate se evită standardizînd doar cu informația din \(\mathcal{F}_{t-1}\). Nepotrivirea frecvențelor se evită calculînd ponderile salturilor la fiecare frecvență pe un eșantion comun. O verosimilitate multimodală cere multe puncte de pornire și un profil în \(\lambda\). Iar cifrele inventate sînt excluse cerînd un tabel și un DOI pentru fiecare afirmație.

                    Pe scurt

                    Verificări: eroare și test
                    • Frontieră, parametri neidentificați: bootstrap parametric sub \(H_0\)
                    • Deplasarea de anticipare (look-ahead bias) în filtrul de volatilitate: standardizăm doar cu \(\mathcal{F}_{t-1}\)
                    • Frecvențe diferite: ponderile salturilor la fiecare frecvență, pe un eșantion comun
                    • Verosimilitate multimodală: multe puncte de start și profilul în \(\lambda\)
                    • Cifre inventate: orice afirmație necesită un tabel și un DOI

                    Mini studiu de caz: salturi sau volatilitate stocastică deghizată?

                    Slide 67 în PDF

                    O propunere tipică a unui asistent este că „71% din dispersie provine din salturi”. Ipoteza rivală este că mixtura Poisson preia volatilitatea variabilă în timp. Dacă este așa, standardizarea randamentelor cu o volatilitate cunoscută dinainte ar trebui să elimine salturile. Testul folosește volatilitatea EWMA (exponentially weighted moving average) cunoscută la \(t-1\), cu \(\lambda_{\mathrm{EWMA}} = 0{,}94\), valoarea RiskMetrics pentru date zilnice, și reestimează modelul Merton pe randamentele brute și pe cele standardizate, pe aceleași 8 995 de zile, eșantionul fără primele 250 de zile folosite la pornirea EWMA.

                    Standardizarea reduce excesul de kurtosis de la 11,0 la 2,9, iar statistica LR față de distribuția Normală de la 2 403 la 619. Totuși, \(\hat\lambda\) crește de la 100 la 124 pe an, cu o SE care crește de la 10 la 53, iar ponderea salturilor scade de la 71% la 51%. EWMA nu elimină neapărat toată heteroscedasticitatea și nu separă mecanic salturile de volatilitatea stocastică.

                    Interpretarea este limitată: intensitatea și ponderea estimate ale salturilor depind puternic de modul în care este specificată volatilitatea. Exercițiul compară două proceduri, același model Merton estimat pe randamente brute și pe randamente standardizate, și nu identifică structural discontinuitățile.

                    Pe scurt

                    • O propunere tipică a asistentului: „71% din varianță provine din salturi”
                    • Ipoteza rivală: mixtura Poisson absoarbe volatilitatea variabilă în timp
                      • atunci standardizarea cu volatilitatea EWMA, cunoscută la \(t-1\), elimină salturile
                      • EWMA: Exponentially Weighted Moving Average, medie mobilă ponderată exponențial
                      • \(\lambda_{\mathrm{EWMA}} = 0{,}94\), valoarea RiskMetrics pentru date zilnice
                    Randamente nestandardizateStandardizate EWMA
                    Excesul de kurtosis\(11{,}0\)\(2{,}9\)
                    LR, Merton față de distribuția Normală\(2\,403\)\(619\)
                    \(\hat\lambda\) pe an (SE)\(100\) (\(10\))\(124\) (\(53\))
                    Ponderea salturilor în varianță\(71\%\)\(51\%\)
                    • Același eșantion: 8 995 de zile, fără primele 250 (inițializarea EWMA)
                    • Standardizarea reduce excesul de kurtosis de la \(11{,}0\) la \(2{,}9\), dar \(\hat\lambda\) crește de la 100 la 124 pe an
                      • EWMA nu elimină neapărat heteroscedasticitatea și nu separă mecanic salturile de volatilitatea stocastică
                    • Interpretare: intensitatea și ponderea salturilor depind puternic de specificarea volatilității
                    • Acest exercițiu nu identifică structural discontinuitățile
                    • Tipul de dovadă: comparație între proceduri
                      • același model Merton, estimat pe randamente nestandardizate și pe randamente standardizate EWMA

                    Un punct de plecare pentru proiect

                    Slide 68 în PDF

                    Proiectul întreabă ce parte din dispersia S&P 500 și a Bitcoin este discontinuă, cum depinde această pondere de frecvența de eșantionare și dacă „salturile” detectate sînt drift bursts. Toate frecvențele intrazilnice se construiesc din bare de 5 minute: SPY din octombrie 2020 pînă în septembrie 2026, 1 468 de zile complete de tranzacționare, și Bitcoin din septembrie 2024 pînă în septembrie 2026, 659 de zile UTC (Coordinated Universal Time, Temps Universel Coordonné, timpul universal coordonat) cu cel puțin 95% din cele 288 de bare (Capitolul 9); sînt disponibile și închiderile zilnice ale ambelor.

                    Deoarece barele Bitcoin acoperă doar doi ani, o comparație intrazilnică a celor două active folosește fereastra comună septembrie 2024 – septembrie 2026. O preînregistrare datată înainte de prima rulare fixează ipotezele, frecvențele, filtrele, testele și designul bootstrap. Livrabilele sînt enumerate în Aprofundări.

                    Pe scurt

                    • Întrebări
                      • ce parte din varianța S&P 500 și Bitcoin provine din salturi?
                      • cum depinde această pondere de frecvența de eșantionare?
                      • sînt „salturile” detectate drift bursts?
                    • Date
                      • bare de 5 minute pentru toate frecvențele intrazilnice
                      • SPY: octombrie 2020 – septembrie 2026, 1 468 de zile complete de tranzacționare
                      • Bitcoin: septembrie 2024 – septembrie 2026, 659 de zile UTC (Coordinated Universal Time, timpul universal coordonat) cu cel puțin 95% din cele 288 de bare (Capitolul 9)
                      • închiderile zilnice S&P 500 și Bitcoin
                    • Barele Bitcoin acoperă doi ani
                      • comparația intrazilnică a celor două active folosește fereastra comună septembrie 2024 – septembrie 2026
                    • O pre-înregistrare datată înainte de prima rulare
                      • conține ipotezele, frecvențele, filtrele, testele și designul bootstrap

                    Sinteza secțiunii

                    Ponderea salturilor în dispersie variază de la 71% în datele zilnice la 2,8% în datele de 5 minute, iar mini studiul de caz arată că și cifra zilnică se schimbă odată cu specificația volatilității. Întrebarea este deschisă, iar răspunsul cere teste preînregistrate la mai multe frecvențe, cu valori critice bootstrap.

                    Concluzii

                    Idei principale și ce urmează: Capitolul 12 (1/2)

                    Slide 69 în PDF

                    Random walk-urile rescalate converg la mișcarea browniană (Donsker), iar variația ei pătratică \(t\) stă la baza calculului Itô. Lema lui Itô dă soluții exacte pentru GBM, procesul Ornstein–Uhlenbeck și modelul Merton; celelalte modele se simulează cu Euler–Maruyama sau Milstein, cu un ordin de eroare cunoscut.

                    Eșantionarea deasă fixează volatilitatea, dar driftul și viteza de revenire la medie cer orizonturi lungi, iar \(\hat\kappa\) este deplasat în sus. Absența arbitrajului face din prețuri valori așteptate actualizate sub \(Q\): teorema lui Girsanov schimbă doar driftul, iar formula Feynman–Kac transformă valoarea așteptată într-o PDE.

                    Pe scurt

                    • Un mers aleator rescalat converge la mișcarea browniană (Donsker)
                      • variația pătratică \(t\) a mișcării browniene stă la baza calculului Itô
                    • Lema lui Itô dă soluții exacte (GBM, Ornstein–Uhlenbeck, Merton)
                      • celelalte modele se simulează cu Euler–Maruyama sau Milstein, cu ordin de eroare cunoscut
                    • Eșantionarea deasă identifică volatilitatea
                      • driftul și viteza de revenire la medie necesită orizonturi lungi
                      • \(\hat\kappa\) este deplasat în sus
                    • Absența arbitrajului face din prețuri valori așteptate actualizate sub \(Q\)
                      • Girsanov schimbă doar driftul
                      • Feynman–Kac transformă valoarea așteptată într-o PDE

                    Idei principale și ce urmează: Capitolul 12 (2/2)

                    Slide 70 în PDF

                    Pătratul VIX este o valoare așteptată sub \(Q\), afină în varianța Heston \(v_t\). În modelele estimate, salturile ajută la cozi, iar volatilitatea stocastică la clustering. Volatilitatea pare rough la laguri scurte și persistentă la laguri lungi, ceea ce un model OU cu un factor nu reproduce. Capitolul 12 folosește aceste instrumente pentru a evalua opțiunile prin replicare și pentru a citi suprafața de volatilitate.

                    Pe scurt

                    • \((\mathrm{VIX}/100)^2\) este o valoare așteptată sub \(Q\), afină în \(v_t\)
                    • În modelele estimate, salturile explică mai bine cozile
                      • volatilitatea stocastică explică gruparea volatilității
                      • niciunul nu atinge excesul de kurtosis din date
                    • Volatilitatea pare aspră la scară mică și persistentă la scară mare
                      • un model OU cu un singur factor nu reproduce ambele trăsături
                    • Urmează Capitolul 12: evaluarea opțiunilor prin replicare și citirea suprafeței de volatilitate

                    Verificarea înțelegerii

                    Slide 71 în PDF

                    Cele patru întrebări revin la rezultatele centrale:

                    1. termenul suplimentar al lemei lui Itô și rolul variației pătratice (Secțiunea 3);
                    2. diferența dintre frecvența de eșantionare și lungimea eșantionului în estimarea driftului (Secțiunea 7);
                    3. caracteristicile datelor care cer salturi și volatilitate stocastică (Secțiunea 11);
                    4. ce se schimbă și ce nu la schimbarea măsurii (Secțiunea 8).

                    Pe scurt

                    • De ce apare un termen suplimentar la schimbarea de variabilă în calculul Itô?
                      • Explicați rolul variației pătratice.
                    • Observarea mai frecventă a prețurilor face estimarea driftului precisă?
                      • Separați frecvența de lungimea perioadei observate.
                    • Ce caracteristică a datelor cere salturi și ce caracteristică cere volatilitate stocastică?
                      • Folosiți comparația cu randamentele observate.
                    • De ce poate probabilitatea folosită la evaluare să difere de probabilitatea reală?
                      • Precizați ce schimbă trecerea la altă măsură.

                    Decizia practică

                    Slide 72 în PDF

                    Pentru randamentele zilnice ale S&P 500, următorul model de estimat și validat este Bates, volatilitate stocastică cu salturi. Componenta Heston dă clustering-ul, cu o ACF a lui \(|r_t|\) de 0,28 la lagul 1 față de 0,27 în date, iar componenta Merton dă coada, cu o statistică Hill de 2,70 față de 2,56. \(\hat\lambda\) estimat descrie cozile groase, nu numărul de discontinuități. Volatilitatea se ia din eșantionarea deasă; driftul și \(\kappa\) doar din orizonturi lungi, raportate cu intervalele lor de încredere.

                    Alegerea este valabilă în două condiții:

                    1. parametrii sub \(P\) se folosesc pentru risc, iar parametrii sub \(Q\), din VIX și din suprafețele de opțiuni, pentru evaluare;
                    2. simularea folosește mulți pași pe zi, 390 pentru Heston, pentru că un singur pas elimină efectul lui \(\rho\) asupra asimetriei zilnice.

                    Alegerea ar fi abandonată dacă statistica Hill sau ACF a lui \(|r_t|\) simulate din modelul estimat ar fi departe de valorile din date, ori dacă autocorelația volatilității la laguri lungi ar depăși-o pe cea a unui singur factor la orizontul relevant. Pe SPY, autocorelația este 0,13 la lagul 100, față de 0,002 pentru o estimare OU; acolo unde acest orizont contează, este preferat un model rough și persistent.

                    Pe scurt

                    • Ce aleg
                      • pentru randamentele zilnice S&P 500, Bates (volatilitate stocastică cu salturi), ca următor model de estimat și validat
                      • partea Heston reproduce gruparea volatilității: ACF a lui \(|r_t|\) la lagul 1 este \(0{,}28\), față de \(0{,}27\) în date
                      • partea Merton reproduce coada: statistica Hill \(2{,}70\), față de \(2{,}56\)
                      • \(\hat\lambda\) descrie cozile groase, nu numărul de discontinuități
                      • volatilitatea din eșantionarea deasă; driftul și \(\kappa\) doar din orizonturi lungi, raportate cu CI
                    • În ce condiții
                      • parametri sub \(P\) pentru risc și sub \(Q\) (VIX, suprafețe de opțiuni) pentru evaluare
                      • simulare cu mulți pași pe zi (390 pentru Heston): un singur pas elimină efectul lui \(\rho\) asupra asimetriei zilnice
                    • Ce rezultat m-ar face să renunț
                      • o statistică Hill sau o ACF a lui \(|r_t|\) simulată din modelul estimat, departe de valorile din date
                      • o autocorelație a volatilității la laguri lungi peste cea a unui singur factor, la orizontul care contează
                      • SPY arată deja acest semnal (\(0{,}13\) la lagul 100, față de \(0{,}002\) pentru un model OU): dacă acel orizont contează, aleg un model cu volatilitate aspră și persistentă

                    Sinteza secțiunii

                    Printre modelele capitolului nu se află un model unic pentru prețuri la orice scară de timp: GBM eșuează la cozi și clustering, Merton la clustering, Heston la kurtosis, iar toate modelele cu un factor la combinația dintre roughness-ul și persistența volatilității. Instrumentele sînt însă comune tuturor și sînt instrumentele evaluării opțiunilor din capitolul următor.

                    Aprofundări

                    Slide-urile din această parte extind subiecte tratate pe scurt în corpul capitolului: datele, traiectoriile browniene și o integrală Itô rezolvată, covariația pătratică, convergența slabă a schemelor, rezultatele lognormale, rezolvarea și estimarea procesului OU, verosimilitățile și estimările neparametrice pentru ratele pe termen scurt, momentele Merton și testul de salturi Lee–Mykland, ce identifică VIX în modelul Heston, modelele afine, limita de difuzie a GARCH (Generalised AutoRegressive Conditional Heteroskedasticity, heteroscedasticitate condiționată autoregresivă generalizată) și comparația studiului de caz despre rough volatility cu articolul.

                    Datele folosite în acest capitol

                    Slide 73 în PDF

                    Seriile zilnice sînt S&P 500 (9 245 de randamente, 1990–2026), BET (6 670, 2000–2026), Bitcoin (4 384, 2014–2026, șapte zile pe săptămînă), VIX (1990–2026) și rata DTB3 (1954–2026), cu valori de închidere pînă la 18 septembrie 2026. Randamentele logaritmice sînt calculate pe calendarul propriu al fiecărei serii; timpul este măsurat în ani, cu \(\Delta t = 1/252\) (Bitcoin: \(1/365\)), iar drifturile și volatilitățile sînt anualizate. Datele intrazilnice sînt bare SPY de 5 minute (octombrie 2020 – septembrie 2026, 1 468 de zile complete) și bare Bitcoin de 5 minute (septembrie 2024 – septembrie 2026, 659 de zile UTC cu cel puțin 95% din cele 288 de bare).

                    Pe scurt

                    SeriaTipPerioadaObservații / frecvență
                    S&P 500indice bursier SUA1990–20269 245
                    BETindice bursier BVB2000–20266 670
                    Bitcoincripto-activ, 7 zile din 72014–20264 384
                    VIXindicele de volatilitate implicită al S&P 500 (CBOE)1990–2026zilnic
                    DTB3randamentul titlurilor de stat SUA pe 3 luni (FRED)1954–2026zilnic
                    • Valori zilnice de închidere pînă la 18 septembrie 2026, fiecare serie pe propriul calendar
                      • regulile de curățare: Anexa
                      • randamentele logaritmice zilnice sînt \(r_t = \ln P_t - \ln P_{t-1}\)
                    • Timpul este măsurat în ani, cu pasul zilnic \(\Delta t = 1/252\) (Bitcoin: \(1/365\))
                      • drifturile și volatilitățile sînt anualizate
                    • Date intrazilnice: bare de 5 minute (Capitolul 9)
                      • SPY, fond tranzacționat la bursă (ETF) pe S&P 500: octombrie 2020 – septembrie 2026, 1 468 de zile
                      • Bitcoin: septembrie 2024 – septembrie 2026, 659 de zile UTC cu cel puțin 95% din cele 288 de bare
                    • Notații
                      • \(W_t\) este mișcarea browniană standard, iar \(S_t\) (notat și \(P_t\)) este prețul
                      • \(v_t\) este varianța instantanee, iar \(\mathcal{F}_t\) este informația (filtrarea) disponibilă pînă la \(t\)
                      • \(\dd S/S\) este randamentul simplu instantaneu, iar \(\dd\ln S\) variația logaritmică
                      • lema lui Itô explică diferența dintre drifturile lor

                    Traiectorii browniene (1/2)

                    Slide 74 în PDF

                    Panoul din stînga arată cinci traiectorii browniene cu banda punctuală \(\pm 1{,}96\sqrt{t}\); panoul din dreapta întinde primul 1% dintr-o traiectorie de 100 de ori în timp și de 10 ori în spațiu.

                    Traiectorii browniene (2/2)

                    Slide 75 în PDF

                    Banda acoperă 95% din traiectorii la fiecare dată în parte, nu pe întreaga traiectorie, și se lărgește ca \(\sqrt{t}\), regula rădăcinii pătrate a timpului din Capitolul 7. Bucata mărită arată ca întreaga traiectorie, ceea ce înseamnă autosimilaritate; piețele reale o încalcă, pentru că cozile groase și clustering-ul depind de orizont (Capitolul 1).

                    Pe scurt

                    • Stînga: cinci traiectorii cu banda punctuală \(\pm 1{,}96\sqrt{t}\)
                      • banda acoperă 95% pentru fiecare \(t\) în parte, nu pentru întreaga traiectorie
                    • Dreapta: o traiectorie și primul ei 1% din timp, mărit
                      • mărirea este de 100 de ori pe axa timpului și de 10 ori pe axa valorilor
                    • Banda se lărgește ca \(\sqrt{t}\) (regula rădăcinii pătrate a timpului din Capitolul 7)
                    • Un segment mărit are același aspect ca întreaga traiectorie
                      • Piețele reale încalcă autosimilaritatea
                      • cozile groase și gruparea volatilității depind de orizont (Capitolul 1)
                    MFM_ch11_bm_paths

                    Exemplu rezolvat: \(\int_0^T W_t\,\dd W_t\) pe traiectorii simulate (1/2)

                    Slide 76 în PDF

                    Graficul verifică identitatea pentru \(\int_0^T W_t\,\mathrm{d}W_t\) pe o traiectorie simulată (stînga) și diferența dintre sumele Stratonovich și Itô pe multe traiectorii (dreapta).

                    Pe scurt

                    Exemplu rezolvat: \(\int_0^T W_t\,\dd W_t\) pe traiectorii simulate (2/2)

                    Slide 77 în PDF

                    Scriind fiecare termen ca \(W_{t_{k-1}}\Delta W_k = \tfrac12(W_{t_k}^2 - W_{t_{k-1}}^2) - \tfrac12(\Delta W_k)^2\) și însumînd, obținem \(\int_0^T W_t\,\mathrm{d}W_t = \tfrac12 W_T^2 - \tfrac12 T\); termenul \(-\tfrac12 T\), absent în calculul obișnuit, este variația pătratică. Pe o traiectorie de 2 000 de pași, identitatea este respectată pînă la 0,038, iar pe 5 000 de traiectorii diferența Stratonovich–Itô are media 0,500 (teoretic \(T/2\)), în timp ce sumele Itô au media 0,007 și dispersia 0,520 (teoretic 0 și 1/2).

                    Pe scurt

                    • Fiecare termen: \(W_{t_{k-1}}\Delta W_k = \tfrac{1}{2}(W_{t_k}^2 - W_{t_{k-1}}^2) - \tfrac{1}{2}(\Delta W_k)^2\)
                      • însumate după \(k\), primele părți dau \(\tfrac12(W_T^2 - W_0^2) = \tfrac12 W_T^2\), deoarece termenii intermediari se anulează
                      • părțile a doua tind la \(\tfrac12 T\)
                    • Rezultatul: \(\int_0^T W_t\,\dd W_t = \tfrac{1}{2}W_T^2 - \tfrac{1}{2}T\)
                      • Calculul obișnuit ar da \(\tfrac{1}{2}W_T^2\)
                      • termenul suplimentar \(-\tfrac{1}{2}T\) este variația pătratică
                      • media este \(\tfrac12(T - T) = 0\)
                    • Stînga: pe o traiectorie cu 2 000 de pași, \(2\int_0^t W\,\dd W + t\) se suprapune aproximativ peste \(W_t^2\) (abaterea maximă \(0{,}038\))
                      • identitatea exactă pe grilă: \(W_t^2 = 2\sum_i W_{t_i}\Delta W_i + \sum_i (\Delta W_i)^2\); \(t\) este doar limita variației pătratice discrete
                    • Dreapta: diferența dintre sumele Stratonovich și sumele Itô pe 5 000 de traiectorii
                      • diferența are media \(0{,}500\) și abaterea standard \(0{,}022\)
                      • teoria dă \(T/2 = 0{,}5\)
                    • Sumele Itô au media \(0{,}007\) (teoria: 0)
                      • dispersia lor este \(0{,}520\) (teoria, prin izometrie: \(\int_0^1 t\,\dd t = 1/2\))
                    MFM_ch11_ito

                    Covariația pătratică și formula Itô multivariată (1/2)

                    Slide 78 în PDF

                    Covariația pătratică (quadratic covariation) \([X, Y]_t\) extinde variația pătratică la perechi de procese; pentru mișcări browniene corelate, \(\mathrm{d}[W^{(1)}, W^{(2)}]_t = \rho\,\mathrm{d}t\). Ea dă regula produsului \(\mathrm{d}(XY) = X\,\mathrm{d}Y + Y\,\mathrm{d}X + \mathrm{d}[X, Y]\) și formula Itô multivariată, al cărei termen de ordinul doi este \(\tfrac12\sum_{i,j} f_{x_i x_j}\,\mathrm{d}[X^i, X^j]_t\).

                    Pe scurt

                    • Covariația pătratică \([X, Y]_t = \lim \sum_k \Delta X_k\,\Delta Y_k\)
                      • dacă \(\Corr(\dd W^{(1)}, \dd W^{(2)}) = \rho\), atunci \(\dd[W^{(1)}, W^{(2)}]_t = \rho\,\dd t\)
                      • Regula produsului: \(\dd(X_t Y_t) = X_t\,\dd Y_t + Y_t\,\dd X_t + \dd[X, Y]_t\)
                    • Formula Itô multivariată pentru \(X_t \in \mathbb{R}^d\) și \(f(t, x)\) cu derivate continue, o dată în \(t\) și de două ori în \(x\)
                      • \(\dd f(t, X_t) = f_t\,\dd t + \sum_i f_{x_i}\,\dd X^i_t + \tfrac{1}{2}\sum_{i, j} f_{x_i x_j}\,\dd[X^i, X^j]_t\)
                      • \(X^i_t\) este componenta \(i\)

                    Covariația pătratică și formula Itô multivariată (2/2)

                    Slide 79 în PDF

                    În modelul Heston, unde \(v\) este rata instantanee a variației pătratice a lui \(\ln S\), nu \(\operatorname{Var}(S_t)\), regula produsului dă \(\mathrm{d}(S_t v_t) = S_t\,\mathrm{d}v_t + v_t\,\mathrm{d}S_t + \rho\,\xi\,v_t S_t\,\mathrm{d}t\): corelația intră în driftul produsului.

                    Pe scurt

                    • Exemplu (Heston, Secțiunea 10)
                      • \(\dd S = \mu S\,\dd t + \sqrt{v}\,S\,\dd W^{(1)}\)
                      • \(\dd v = \kappa(\theta - v)\,\dd t + \xi\sqrt{v}\,\dd W^{(2)}\)
                    • Parametrii
                      • \(v\) este rata instantanee a variației pătratice a lui \(\ln S\) (varianța instantanee a randamentului), nu \(\Var(S_t)\)
                      • \(\kappa\) este viteza de revenire la medie
                      • \(\theta\) este varianța pe termen lung, iar \(\xi\) volatilitatea varianței
                    • \(\dd(S_t v_t) = S_t\,\dd v_t + v_t\,\dd S_t + \rho\,\xi\,v_t S_t\,\dd t\)
                      • \(\rho\) intră în driftul produsului

                    Convergența slabă

                    Slide 80 în PDF

                    Eroarea slabă (weak error), \(|\mathbb{E}[g(X_T^{\Delta t})] - \mathbb{E}[g(X_T)]| \le C\,\Delta t^{\beta}\), măsoară cît de aproape este distribuția simulată de cea adevărată. Atît Euler–Maruyama, cît și Milstein au ordinul slab \(\beta = 1\) pentru coeficienți netezi și o plată \(g\) netedă (Kloeden & Platen, 1992), ceea ce ajunge pentru prețurile opțiunilor europene; coeficienții de tip rădăcină pătrată (CIR, Heston), cuantilele precum Value-at-Risk (VaR) și atingerea barierelor pot converge mai lent. Schemele sînt testate pe ecuația \(\mathrm{d}X = \lambda X\,\mathrm{d}t + \mu X\,\mathrm{d}W\) din Higham (2001), cu \(\lambda = 2\), \(\mu = 1\), \(X_0 = 1\) și \(T = 1\).

                    Pe scurt

                    • Eroarea slabă: \(|\E[g(X_T^{\Delta t})] - \E[g(X_T)]| \le C\,\Delta t^{\beta}\)
                      • măsoară cît de apropiată este distribuția simulată de cea adevărată
                      • \(g\) este o funcție de valoarea finală (de exemplu payoff-ul unei opțiuni), iar \(\beta\) este ordinul slab
                      • Ambele scheme au \(\beta = 1\), suficient pentru prețurile opțiunilor europene și alte valori așteptate
                      • Condiții: coeficienți netezi cu derivate mărginite și \(g\) netedă Kloeden & Platen (1992)
                      • Pot converge mai lent coeficienții de tip radical (CIR (Cox–Ingersoll–Ross), Heston)
                      • la fel, cuantilele precum Value-at-Risk (VaR) și atingerea barierelor
                    • Ecuația de test Higham (2001): \(\dd X = \lambda X\,\dd t + \mu X\,\dd W\)
                      • \(\lambda = 2\), \(\mu = 1\), \(X_0 = 1\), \(T = 1\), cu soluția exactă ca reper
                      • Pe un grafic log-log, ordinul este panta erorii în funcție de pas (slide-ul următor)

                    Convergența schemelor (2/2)

                    Slide 82 în PDF

                    Pe 20 000 de traiectorii browniene, ordinele tari estimate sînt 0,518 [0,512; 0,525] pentru Euler–Maruyama și 0,986 [0,984; 0,987] pentru Milstein; micile diferențe față de 1/2 și 1 provin din curbura de pas finit. Ordinul slab al Euler–Maruyama, calculat din media exactă, este 0,985, dar estimările Monte Carlo se aplatizează la pași mici, pentru că eroarea lor standard, circa 0,068, depășește deplasarea: mărimea eșantionului, nu pasul, este adesea constrîngerea activă (Glasserman, 2003).

                    Pe scurt

                    • 20 000 de traiectorii browniene pe o grilă fină de \(2^{11}\) pași, rărită la pași de la \(2^{-11}\) la \(2^{-5}\)
                      • Ordinele tari: panta regresiei log-log, cu CI de 95% prin reeșantionarea traiectoriilor întregi
                      • Euler–Maruyama \(0{,}518\) \([0{,}512; 0{,}525]\), Milstein \(0{,}986\) \([0{,}984; 0{,}987]\)
                      • CI înguste măsoară doar zgomotul Monte Carlo
                      • mica diferență față de 1/2 și 1 este curbura la pași finiți, nu un alt ordin
                      • Înjumătățirea lui \(\Delta t\) înjumătățește eroarea Milstein, dar reduce eroarea Euler doar cu 29%
                    • Ordinul slab al schemei Euler–Maruyama este \(0{,}985\): o pantă deterministă
                      • ordinul este calculat din media exactă a schemei, \((1 + \lambda\Delta t)^{T/\Delta t}\)
                      • Curba estimărilor Monte Carlo devine plată la pași mici
                      • eroarea lor standard, circa \(0{,}068\), depășește deplasarea
                      • Mărimea eșantionului, nu pasul, este adesea constrîngerea decisivă Glasserman (2003)
                    MFM_ch11_convergence

                    Rezultate lognormale: zece ani de traiectorii S&P 500 simulate (1/3)

                    Slide 83 în PDF

                    Graficul în evantai (fan chart) arată 20 000 de traiectorii GBM exacte ale S&P 500 pe zece ani, cu benzi de cuantile.

                    Rezultate lognormale: zece ani de traiectorii S&P 500 simulate (2/3)

                    Slide 84 în PDF

                    Graficul arată densitatea lognormală a randamentului brut pe zece ani, \(S_T/S_0\), cu media, mediana și modul marcate.

                    Rezultate lognormale: zece ani de traiectorii S&P 500 simulate (3/3)

                    Slide 85 în PDF

                    Cu \(\hat\mu = 10{,}0\%\) și \(\hat\sigma = 18{,}0\%\), randamentul brut pe zece ani este 2,71 la medie, 2,30 la mediană și 1,66 la mod. Pornind de la 7 650 pe 18 septembrie 2026, 90% din traiectorii se termină între 6 878 și 45 017; probabilitatea unei pierderi pe zece ani este 7,1%, iar probabilitatea de a termina sub medie este 61,2%, motiv pentru care mediana și cuantilele sînt mai informative decît media. Evantaiul este prea îngust în crize, pentru că GBM nu are nici cozi groase, nici clustering.

                    Pe scurt

                    • GBM cu \(\hat\mu = 10{,}0\%\) și \(\hat\sigma = 18{,}0\%\) (1990–2026), pe \(T = 10\) ani
                      • media \(\E[S_T] = S_0 e^{\mu T}\), mediana \(S_0 e^{mT}\), moda \(S_0 e^{(m - \sigma^2)T}\)
                      • Densitatea: 200 000 de extrageri
                      • raportul \(S_T/S_0\) este 2,71 pentru medie, 2,30 pentru mediană și 1,66 pentru modă
                    • Graficul în evantai (fan chart): 20 000 de traiectorii exacte care pornesc de la \(S_0 = 7\,650\) (18 septembrie 2026)
                      • 90% dintre traiectorii se termină între 6 878 (cuantila de 5%) și 45 017 (cuantila de 95%)
                      • Probabilitatea unei pierderi pe 10 ani: \(P(S_T < S_0) = \Phi(-m\sqrt{T}/\sigma) = 7{,}1\%\)
                    • \(P(S_T < \E[S_T]) = \Phi(\sigma\sqrt{T}/2) = 61{,}2\%\): majoritatea investitorilor ajung sub medie
                      • deci raportați mediana și cuantilele
                    • Graficul în evantai este prea îngust în crize
                    MFM_ch11_gbm_fan

                    Recapitulare: creștere, lognormalitate și precizia driftului

                    Slide 86 în PDF

                    Sub GBM, \(\ln(S_T/S_0) \sim N(mT, \sigma^2 T)\): mediana crește cu \(m\), iar media cu \(\mu\); \(\mathrm{SE}(\hat\sigma)\) scade cu numărul de randamente, iar \(\mathrm{SE}(\hat m)\) doar cu numărul de ani acoperiți. Cu \(\sigma = 20\%\), SE a driftului logaritmic este 6,3 puncte procentuale după 10 ani și 3,2 după 40: un orizont de patru ori mai lung doar înjumătățește eroarea.

                    Pe scurt

                    • Formulele de reținut
                      • \(\ln(S_T/S_0) \sim N(mT, \sigma^2 T)\), cu \(m = \mu - \tfrac12\sigma^2\)
                      • mediana crește cu rata \(m\), media \(\E[S_T]\) cu rata \(\mu\)
                      • \(\mathrm{SE}(\hat\sigma) = \sigma/\sqrt{2n}\) scade cu numărul de randamente
                      • \(\mathrm{SE}(\hat m) = \sigma/\sqrt{T}\) scade doar cu numărul de ani acoperiți
                    • Verificare: cu \(\sigma = 20\%\), cît este SE a driftului logaritmic după 10 ani de date și după 40 de ani?
                      • Răspuns: \(0{,}20/\sqrt{10} = 6{,}3\) și \(0{,}20/\sqrt{40} = 3{,}2\) puncte procentuale
                      • un orizont de patru ori mai lung doar înjumătățește eroarea, oricare ar fi frecvența de eșantionare

                    Rezolvarea ecuației OU în trei pași

                    Slide 87 în PDF

                    Lema lui Itô aplicată lui \(e^{\kappa t}x_t\) elimină termenii în \(x_t\); integrînd și înmulțind cu \(e^{-\kappa t}\) obținem \(x_t = \theta + (x_0 - \theta)e^{-\kappa t} + \sigma\int_0^t e^{-\kappa(t-s)}\,\mathrm{d}W_s\), o variabilă cu distribuția Normală a cărei dispersie rezultă din izometria Itô (11.4). Media condiționată este \(\theta + (x_0 - \theta)e^{-\kappa t}\), dispersia condiționată \(\sigma^2(1 - e^{-2\kappa t})/(2\kappa)\), iar distribuția staționară este \(N(\theta, \sigma^2/(2\kappa))\). Cu \(x_0 = 8\%\), \(\theta = 3\%\), \(\kappa = 0{,}5\) și \(\sigma = 1\%\), \(x_1\) are media 6,03% și abaterea standard 0,80%: după un an rămîne 61% din diferența inițială.

                    Pe scurt

                    • Pasul 1: lema lui Itô pentru \(f(t, x) = e^{\kappa t}x\) (\(f_{xx} = 0\))
                      • Rezultatul: \(\dd(e^{\kappa t}x_t) = \kappa\theta e^{\kappa t}\,\dd t + \sigma e^{\kappa t}\,\dd W_t\)
                      • Termenii în \(x_t\) se anulează
                    • Pasul 2: integrăm de la 0 la \(t\) și înmulțim cu \(e^{-\kappa t}\)
                      • \(x_t = \theta + (x_0 - \theta)e^{-\kappa t} + \sigma\int_0^t e^{-\kappa(t-s)}\,\dd W_s\)
                    • Pasul 3: integrala Itô are media 0 și, prin izometrie, dispersia \(\sigma^2\int_0^t e^{-2\kappa(t-s)}\,\dd s\)
                      • Deci \(x_t\) este Normală, cu media \(\E[x_t \mid x_0] = \theta + (x_0 - \theta)e^{-\kappa t}\)
                      • și dispersia \(\Var(x_t \mid x_0) = \frac{\sigma^2}{2\kappa}\left(1 - e^{-2\kappa t}\right)\)
                      • Distribuția staționară: \(N\left(\theta, \sigma^2/(2\kappa)\right)\)
                      • Dispersia crește cu orizontul, dar, spre deosebire de mișcarea browniană, rămîne sub limita \(\sigma^2/(2\kappa)\)
                    • Verificare: \(x_0 = 8\%\), \(\theta = 3\%\), \(\kappa = 0{,}5\), \(\sigma = 1\%\): cît sînt media și abaterea standard ale lui \(x_1\)?
                      • Răspuns: \(3\% + 5\% \cdot e^{-0{,}5} = 6{,}03\%\) și \(1\% \cdot \sqrt{1 - e^{-1}} = 0{,}80\%\)
                      • După un an rămîne 61% din diferența inițială \(x_0 - \theta\)

                    Trei viteze de revenire la medie

                    Slide 88 în PDF

                    Trei traiectorii OU conduse de aceleași șocuri, pornind de la 8%, cu \(\theta = 3\%\) și \(\sigma = 1\%\), au timpi de înjumătățire de 3,47, 0,69 și 0,14 ani pentru \(\kappa = 0{,}2\), 1 și 5 și abateri standard staționare de 1,58%, 0,71% și 0,32%. Revenirea lentă arată ani de zile ca un random walk.

                    Pe scurt

                    Trei viteze de revenire la medie
                    • Traiectorii OU cu aceleași șocuri, pornind de la 8%
                      • \(\theta = 3\%\), \(\sigma = 1\%\)
                      • Viteza de revenire: \(\kappa = 0{,}2\) (lentă), \(\kappa = 1\) sau \(\kappa = 5\) (rapidă)
                      • Simulare exactă, cu pași zilnici
                    • Timpii de înjumătățire
                      • \(3{,}47\) ani pentru \(\kappa = 0{,}2\)
                      • \(0{,}69\) ani pentru \(\kappa = 1\) și \(0{,}14\) ani pentru \(\kappa = 5\)
                      • Cu \(\kappa = 5\), diferența de la 8% la 3% dispare aproape complet în cîteva luni
                    • Abaterile standard staționare \(\sigma/\sqrt{2\kappa}\)
                      • \(1{,}58\%\) pentru \(\kappa = 0{,}2\)
                      • \(0{,}71\%\) pentru \(\kappa = 1\) și \(0{,}32\%\) pentru \(\kappa = 5\)
                      • O revenire lentă nu se poate distinge de un mers aleator timp de mai mulți ani
                    • Prognozele pe termen lung converg la \(\theta\)
                    MFM_ch11_ou_paths

                    De ce revenirea la medie estimată pare prea rapidă

                    Slide 89 în PDF

                    În eșantioane finite, \(\hat\kappa\) supraestimează \(\kappa\) cu aproximativ \(4/T\), cu \(T\) în ani (Tang & Chen, 2009), pentru că panta OLS \(\hat b\) este deplasată spre zero într-un eșantion scurt și persistent. În 500 de eșantioane simulate de 72 de ani, cu estimările pe întregul eșantion ca valori adevărate, media lui \(\hat\kappa\) este 0,164, o deplasare de 0,063, apropiată de \(4/T = 0{,}055\), iar 78% din estimări depășesc valoarea adevărată. Deplasarea depinde de orizont, nu de frecvența de eșantionare.

                    Pe scurt

                    • În eșantioane finite \(\hat\kappa\) supraestimează \(\kappa\) cu aproximativ \(4/T\) (\(T\) în ani) Tang & Chen (2009)
                      • Simulare: luăm estimările pe întreaga perioadă drept valori adevărate
                      • Generăm 500 de eșantioane de \(72\) de ani
                      • Media lui \(\hat\kappa\) este \(0{,}164\), deci deplasarea este \(0{,}063\)
                      • Aproximarea \(4/T = 0{,}055\) este apropiată de această deplasare
                      • \(78\%\) dintre estimări depășesc valoarea adevărată (Seminarul 11, B2)
                    • Sursa deplasării: panta OLS \(\hat b\) este deplasată spre zero într-un eșantion scurt și persistent
                      • Panta lui \(x_{t+\Delta t}\) în funcție de \(x_t\)
                      • \(\hat\kappa = -\ln\hat b/\Delta t\) transformă un \(\hat b\) prea mic într-un \(\hat\kappa\) prea mare
                      • Deplasarea depinde de orizontul \(T\), nu de numărul de observații
                      • Eșantionarea zilnică în locul celei lunare nu o elimină (Secțiunea 7)

                    Revenirea la medie a volatilității: VIX (1/2)

                    Slide 90 în PDF

                    Panoul din stînga arată VIX pe scală logaritmică, cu nivelul lui OU pe termen lung; panoul din dreapta compară ACF de eșantion a lui \(\ln \mathrm{VIX}\) cu ACF implicată de estimarea OU.

                    Pe scurt

                    Revenirea la medie a volatilității: VIX (2/2)

                    Slide 91 în PDF

                    O estimare OU pentru \(\ln \mathrm{VIX}\) pe 1990–2026 dă \(\hat\kappa = 5{,}10\) (SE 0,53), un timp de înjumătățire de 34 de zile de tranzacționare, și un nivel pe termen lung \(e^{\hat\theta} = 18{,}2\); vîrfuri precum 82,7 pe 16 martie 2020 se estompează în cîteva săptămîni. La lagul 60 însă, autocorelația este 0,63 în date, față de 0,30 sub OU: după scăderea rapidă rămîne o componentă lentă, deci un singur factor OU este prea simplu, iar modelele cu doi factori, cu memorie lungă sau rough (Secțiunea 12) sînt candidați.

                    Pe scurt

                    • Stînga: VIX 1990–2026 pe scară logaritmică
                      • Nivelul OU pe termen lung: \(e^{\hat\theta} = 18{,}2\)
                      • OU pentru \(\ln \mathrm{VIX}\): \(\hat\kappa = 5{,}10\) (SE \(0{,}53\))
                      • Timpul de înjumătățire: \(34\) de zile de tranzacționare
                      • Vîrfuri precum \(82{,}7\) (2020-03-16) se estompează în cîteva săptămîni
                    • Dreapta: ACF empirică a lui \(\ln \mathrm{VIX}\), comparată cu ACF implicată de OU, \(e^{-\hat\kappa k \Delta t}\)
                      • La lagul 60, autocorelația este \(0{,}63\) în date, dar \(0{,}30\) sub OU
                      • După scăderea rapidă rămîne o componentă lentă
                    • Un singur factor OU este prea simplu
                      • Alternativele: modelele cu doi factori sau cu memorie lungă
                      • Volatilitatea aspră (Secțiunea 12) este o opțiune distinctă
                    • Volatilitatea care revine la medie este elementul de bază al modelului Heston
                    MFM_ch11_vix_ou

                    Recapitulare: revenirea la medie în trei formule

                    Slide 92 în PDF

                    Traiectoria așteptată \(\theta + (x_0 - \theta)e^{-\kappa t}\), timpul de înjumătățire \(\ln 2/\kappa\) și abaterea standard staționară \(\sigma/\sqrt{2\kappa}\) rezumă procesul OU; el se estimează din panta AR(1), \(\hat\kappa = -\ln\hat b/\Delta t\), deplasată în sus în eșantioane scurte. Datele lunare cu \(\hat b = 0{,}95\) dau \(\hat\kappa = 0{,}616\) pe an și un timp de înjumătățire de 1,13 ani.

                    Pe scurt

                    • Formulele de reținut
                      • Traiectoria așteptată: \(\E[x_t \mid x_0] = \theta + (x_0 - \theta)e^{-\kappa t}\)
                      • Timpul de înjumătățire: \(\ln 2/\kappa\)
                      • Dispersia pe termen lung: abaterea standard staționară \(\sigma/\sqrt{2\kappa}\)
                      • Estimarea: panta AR(1) \(b = e^{-\kappa\Delta t}\), deci \(\hat\kappa = -\ln\hat b/\Delta t\)
                      • Estimatorul este deplasat în sus în eșantioane scurte
                    • Verificare: datele lunare dau \(\hat b = 0{,}95\). Cît sînt \(\hat\kappa\) și timpul de înjumătățire?
                      • Răspuns: \(\hat\kappa = -12\ln 0{,}95 = 0{,}616\) pe an
                      • Timpul de înjumătățire: \(\ln 2/0{,}616 = 1{,}13\) ani, circa 13,5 luni

                    Verosimilitatea pentru difuzii neliniare

                    Slide 93 în PDF

                    Pseudo-verosimilitatea Euler aproximează tranziția printr-o distribuție Normală cu media \(r_t + a(r_t)\Delta\) și dispersia \(b^2(r_t)\Delta\), cu o deplasare de ordinul \(\Delta\). Modelul CIR are o tranziție exactă: \(2c\,r_{t+\Delta}\), condiționat de \(r_t\), are distribuția \(\chi^2\) necentrală cu \(4\kappa\theta/\sigma^2\) grade de libertate (Cox, Ingersoll & Ross, 1985), iar condiția Feller este echivalentă cu cel puțin 2 grade de libertate. Difuziile generale folosesc dezvoltări Hermite în formă închisă ale densității de tranziție (Aït-Sahalia, 2002). Modelul CKLS, \(\mathrm{d}r = \kappa(\theta - r)\,\mathrm{d}t + \sigma r^{\gamma}\,\mathrm{d}W\) (Chan, Karolyi, Longstaff & Sanders, 1992), include Vasicek (\(\gamma = 0\)) și CIR (\(\gamma = 1/2\)); el este estimat prin cvasi-verosimilitate gaussiană, iar testele asupra lui \(\gamma\) folosesc erori standard sandwich cu o covarianță HAC a scorurilor (Newey & West, 1987).

                    Pe scurt

                    • Pseudo-verosimilitatea Euler: tranziția gaussiană \(r_{t+\Delta} \mid r_t \sim N\left(r_t + a(r_t)\Delta,\ b^2(r_t)\Delta\right)\)
                      • \(a(r)\), \(b(r)\): driftul și difuzia ratei \(r\)
                      • Deplasarea, de ordinul \(\Delta\), este mică cu date zilnice
                    • CIR exact: \(2c\,r_{t+\Delta} \mid r_t\) are distribuția \(\chi^2\) necentrală Cox, Ingersoll & Ross (1985)
                      • Gradele de libertate: \(4\kappa\theta/\sigma^2\), cu \(c = 2\kappa/\left(\sigma^2(1 - e^{-\kappa\Delta})\right)\)
                      • Parametrul de necentralitate este \(2c\,r_t e^{-\kappa\Delta}\)
                      • Condiția Feller este echivalentă cu cel puțin 2 grade de libertate (Seminarul 11, A7)
                    • Difuzii generale: dezvoltări Hermite în formă închisă ale densității de tranziție Aït-Sahalia (2002)
                    • CKLS (Chan–Karolyi–Longstaff–Sanders): \(\dd r = \kappa(\theta - r)\,\dd t + \sigma r^{\gamma}\,\dd W\) Chan, Karolyi, Longstaff & Sanders (1992)
                      • Include Vasicek (\(\gamma = 0\)) și CIR (\(\gamma = 1/2\))
                      • Se estimează prin cvasi-verosimilitate gaussiană (Euler)
                      • Testele pentru \(\gamma\) folosesc erori standard sandwich Newey & West (1987)
                      • Covarianța scorurilor este robustă la heteroscedasticitate și autocorelație (HAC)

                    Vasicek, CIR și CKLS pe randamentul titlurilor de stat, 1954–2007

                    Slide 94 în PDF

                    Pe datele zilnice DTB3 (13 487 de observații) și pe valorile de sfîrșit de lună (647), verosimilitățile exactă și Euler dau valori ale lui \(\hat\kappa\) care diferă cu mai puțin de o eroare standard, deci eroarea de discretizare este mică față de incertitudinea de orizont lung. Volatilitatea crește cu nivelul: testele Wald HAC resping \(\gamma = 0\) la ambele frecvențe și \(\gamma = 1/2\) doar cu date zilnice. Perioada 2008–2026 este exclusă, pentru că zerourile exacte și cotațiile negative se află în afara domeniului acestor verosimilități.

                    Pe scurt

                    Modelul\(\hat\kappa\) zilnic (SE)\(\hat\kappa\) lunar (SE)\(\gamma\)
                    Vasicek, exact\(0{,}158\) (\(0{,}073\))\(0{,}201\) (\(0{,}083\))0
                    Vasicek, Euler\(0{,}158\) (\(0{,}073\))\(0{,}199\) (\(0{,}082\))0
                    CIR, exact\(0{,}113\) (\(0{,}060\))\(0{,}153\) (\(0{,}070\))1/2
                    CIR, Euler\(0{,}093\) (\(0{,}060\))\(0{,}144\) (\(0{,}069\))1/2
                    CKLS, Euler\(0{,}080\) (\(0{,}057\))\(0{,}144\) (\(0{,}068\))\(0{,}77\) (\(0{,}033\)) zilnic, \(0{,}60\) (\(0{,}149\)) lunar
                    • Date: DTB3 zilnic (\(n = 13\,487\)) și valorile de sfîrșit de lună (\(n = 647\))
                    • Perioada 2008–2026 este exclusă
                      • Cotațiile exact zero și cele negative sînt în afara domeniului acestor verosimilități (Anexa)
                    • Estimările exacte și cele Euler diferă cu mai puțin de o eroare standard
                      • Eroarea de discretizare este mică față de incertitudinea de orizont lung a lui \(\hat\kappa\)
                    • Volatilitatea crește cu nivelul
                      • Testele Wald HAC resping \(\gamma = 0\) la ambele frecvențe
                      • Resping \(\gamma = 1/2\) cu date zilnice, dar nu și cu date lunare (statisticile: Anexa)

                    Drift și difuzie neparametrice

                    Slide 95 în PDF

                    Fără o formă funcțională, driftul și pătratul difuziei la fiecare nivel \(x\) se estimează prin medii nucleu ale incrementului următor și ale pătratului lui, cu ponderi Nadaraya–Watson mari în zilele în care rata este aproape de \(x\) (Stanton, 1997). Condițiile de moment sînt exacte doar cînd \(\Delta \to 0\), cu erori de ordinul \(\Delta\). Difuzia converge cu viteza infill, iar driftul doar cu viteza orizontului lung; rezultatele sînt valabile pentru procese nestaționare, dar recurente (Bandi & Phillips, 2003), iar testele neparametrice de specificare resping mult prea des cu date persistente (Pritsker, 1998).

                    Pe scurt

                    • Fără o formă funcțională impusă: medii ponderate cu un nucleu ale incrementelor
                      • Mediile se calculează în jurul fiecărui nivel \(x\)
                      • \(\Delta r_t = r_{t+\Delta} - r_t\) este incrementul următor
                      • \(w_t(x)\) este ponderea zilei \(t\), mare cînd \(r_t\) este aproape de \(x\)
                      • \(\hat a(x) = \sum_t w_t(x)\,\Delta r_t/\Delta\), \(\hat b^2(x) = \sum_t w_t(x)\,(\Delta r_t)^2/\Delta\) Stanton (1997)
                      • Ponderile Nadaraya–Watson: \(w_t(x) = K\left((r_t - x)/h\right)/\sum_s K\left((r_s - x)/h\right)\)
                      • Nucleul gaussian \(K\) și lățimea de bandă \(h\)
                    • \(\E[\Delta r \mid r = x]/\Delta = a(x) + O(\Delta)\) și \(\E[(\Delta r)^2 \mid r = x]/\Delta = b^2(x) + O(\Delta)\)
                      • Relațiile sînt exacte doar cînd \(\Delta \to 0\)
                      • Difuzia converge cu rata infill, driftul doar cu rata orizontului lung
                      • Rezultatele rămîn valabile pentru procese nestaționare, dar recurente Bandi & Phillips (2003)
                    • Atenție: testele neparametrice de specificare resping mult prea des cu date persistente Pritsker (1998)

                    Driftul și difuzia neparametrice ale randamentului titlurilor de stat

                    Slide 96 în PDF

                    Pe datele zilnice DTB3 din 1954–2007, cu o lățime de bandă de 0,44 puncte procentuale după regula lui Silverman, zero se află în banda punctuală de 95% a driftului la 97% din niveluri, în timp ce difuzia este precisă, cu o SE relativă mediană de 8%, și crește de la 0,5% la 4,7% (panta logaritmică 0,90). Nicio formă parametrică nu se potrivește la toate nivelurile: proporția nivelurilor aflate în bandă este 35% pentru CKLS, 7% pentru CIR și 5% pentru Vasicek.

                    Pe scurt

                    Driftul și difuzia neparametrice ale randamentului titlurilor de stat
                    • Date: DTB3 zilnic, 1954–2007, cu lățimea de bandă \(h = 0{,}44\) puncte procentuale
                      • Regula lui Silverman: \(h = 1{,}06\,\hat s\,n^{-1/5}\), cu \(\hat s\) abaterea standard a ratei
                    • Benzile punctuale de 95% sînt robuste la heteroscedasticitate, dar ignoră dependența serială
                    • Driftul: valoarea zero se află în interiorul benzii la \(97\%\) din niveluri
                    • Difuzia: eroarea standard relativă mediană este \(8\%\)
                      • \(b(r)\) crește de la \(0{,}5\%\) la \(4{,}7\%\) (panta în logaritmi \(0{,}90\))
                    • Nicio formă parametrică nu este compatibilă cu datele la toate nivelurile
                      • Curba CKLS se află în interiorul benzii la \(35\%\) din niveluri
                      • CIR la \(7\%\), iar Vasicek la \(5\%\) (ponderi descriptive)
                    MFM_ch11_np_diffusion

                    Recapitulare: frecvența de eșantionare și identificarea parametrilor

                    Slide 97 în PDF

                    Eșantionarea infill identifică coeficientul de difuzie prin (11.15); driftul și viteza se învață doar din mai mulți ani, cu \(I(m) = T/\sigma^2\) și \(\operatorname{Var}(\hat\kappa) \approx 2\kappa/T\), iar \(\hat\kappa\) depășește \(\kappa\) cu aproximativ \(4/T\). Eșantionarea acelorași 20 de ani zilnic în loc de lunar, cu de 21 de ori mai multe observații, reduce SE a lui \(\hat\sigma\) de circa \(\sqrt{21} \approx 4{,}6\) ori, dar abia o mișcă pe cea a lui \(\hat\kappa\).

                    Pe scurt

                    • Formulele de reținut
                      • Infill: \(\sum_k (\Delta X_k)^2 \to \int_0^T b_t^2\,\dd t\)
                      • Deci coeficientul de difuzie se învață din eșantionarea frecventă
                      • Orizont lung: \(I(m) = T/\sigma^2\) și \(\Var(\hat\kappa) \approx 2\kappa/T\)
                      • Deci driftul și viteza se învață doar din mai mulți ani
                      • Deplasarea: \(\hat\kappa\) depășește \(\kappa\) cu aproximativ \(4/T\)
                    • Verificare: aceiași 20 de ani sînt eșantionați zilnic în loc de lunar
                      • De 21 de ori mai multe observații
                    • Care eroare standard scade, cea a lui \(\hat\sigma\) sau cea a lui \(\hat\kappa\)?
                      • Răspuns: cea a lui \(\hat\sigma\), de circa \(\sqrt{21} \approx 4{,}6\) ori
                      • Cea a lui \(\hat\kappa\) aproape nu se schimbă, deoarece \(2\kappa/T\) nu depinde de pas

                    Momentele randamentului Merton (1/2)

                    Slide 98 în PDF

                    Cumulanții \(c_k = K^{(k)}(0)\) ai funcției generatoare a cumulanților \(K(u) = \ln\mathbb{E}[e^{ur}]\) se adună pe componente independente; partea Normală nu contribuie peste \(k = 2\), iar o sumă Poisson compusă are cumulantul de ordinul \(k\) egal cu \(\lambda\Delta t\,\mathbb{E}[Y^k]\). Rezultă \(c_1 = m\Delta t + \lambda\Delta t\,\mu_J\), \(c_2 = \sigma^2\Delta t + \lambda\Delta t(\mu_J^2 + \sigma_J^2)\), \(c_3 = \lambda\Delta t(\mu_J^3 + 3\mu_J\sigma_J^2)\) și \(c_4 = \lambda\Delta t(\mu_J^4 + 6\mu_J^2\sigma_J^2 + 3\sigma_J^4)\).

                    Pe scurt

                    • Cumulanții \(c_k\) ai randamentului pe \(\Delta t\)
                      • Definiția: \(K(u) = \ln\E[e^{u r}]\) și \(c_k = K^{(k)}(0)\)
                      • \(c_1\) media, \(c_2\) dispersia, \(c_3\) momentul centrat de ordinul trei
                      • Cumulanții părților independente se adună
                      • O parte Normală are \(c_k = 0\) pentru \(k \ge 3\)

                    Momentele randamentului Merton (2/2)

                    Slide 99 în PDF

                    Asimetria este negativă cînd \(\mu_J < 0\), excesul de kurtosis este pozitiv cu orice salt și scade ca \(1/\Delta t\) pe măsură ce orizontul crește. Cu \(\sigma = 15\%\), \(\lambda = 5\), \(\mu_J = -3\%\) și \(\sigma_J = 4\%\), excesul de kurtosis zilnic este 17,6, iar asimetria −2,07.

                    Pe scurt

                    • Cumulantul de ordinul \(k\) al unei sume Poisson compuse este \(\lambda\Delta t\,\E[Y^k]\)
                      • \(c_1 = m\Delta t + \lambda\Delta t\,\mu_J\), \(c_2 = \sigma^2\Delta t + \lambda\Delta t(\mu_J^2 + \sigma_J^2)\)
                      • \(c_3 = \lambda\Delta t(\mu_J^3 + 3\mu_J\sigma_J^2)\), \(c_4 = \lambda\Delta t(\mu_J^4 + 6\mu_J^2\sigma_J^2 + 3\sigma_J^4)\)
                      • Asimetria \(c_3/c_2^{3/2}\) este negativă cînd \(\mu_J < 0\)
                      • Excesul de kurtosis \(c_4/c_2^2\) este pozitiv cu orice salt
                    • Excesul de kurtosis scade ca \(1/\Delta t\) cînd orizontul crește
                      • Salturile au cel mai mare efect pe orizonturi scurte
                      • Exemplu: \(\sigma = 15\%\), \(\lambda = 5\), \(\mu_J = -3\%\) și \(\sigma_J = 4\%\)
                      • Excesul de kurtosis zilnic este \(17{,}6\), iar asimetria \(-2{,}07\) (Seminarul 11, A3)

                    Detectarea salturilor: testul Lee–Mykland

                    Slide 100 în PDF

                    Lee & Mykland (2008) tratează un salt ca pe un randament foarte mare în raport cu volatilitatea locală: \(L_t = r_t/\hat\sigma_t\), cu \(\hat\sigma_t^2\) o variație bipower pe cele \(K = 16\) zile anterioare. Fără salturi, maximul lui \(|L_t|\) pe \(n\) zile, normalizat corespunzător, are o limită Gumbel, iar pragul de 1%, 4,60, se aplică statisticii normalizate, nu lui \(|L_t|\). Constantele de normalizare depind de numărul \(n\) de zile testate și de \(c = \sqrt{2/\pi}\), media lui \(|Z|\). Testul controlează asimptotic probabilitatea unui salt fals pe întregul eșantion, nu zi de zi.

                    Pe scurt

                    • Ideea: un salt este un randament foarte mare raportat la volatilitatea locală Lee & Mykland (2008)
                      • \(L_t = r_t / \hat\sigma_t\), \(\hat\sigma_t^2 = \frac{1}{K - 2}\sum_{j = t-K+2}^{t-1} |r_j|\,|r_{j-1}|\)
                      • Estimatorul volatilității: variația bipower, robustă la salturi
                      • Cu date zilnice, fereastra este de \(K = 16\) zile, conform recomandării autorilor
                    • În absența salturilor, maximul lui \(|L_t|\) pe \(n\) zile are o limită Gumbel
                      • Respingem dacă \((|L_t| - C_n)/S_n > -\ln(-\ln(1 - \alpha))\)
                      • Pragul este \(4{,}60\) la \(\alpha = 1\%\), pentru statistica normalizată, nu pentru \(|L_t|\)
                      • \(C_n = \frac{\sqrt{2\ln n}}{c} - \frac{\ln\pi + \ln\ln n}{2c\sqrt{2\ln n}}\), \(S_n = \frac{1}{c\sqrt{2\ln n}}\)
                      • \(c = \sqrt{2/\pi}\) (media lui \(|Z|\), care rescalează estimarea bipower)
                      • \(n\) = numărul zilelor testate
                      • Testul controlează, asimptotic, probabilitatea unui salt fals pe întregul eșantion, nu zi de zi

                    Zile marcate de testul Lee–Mykland în S&P 500 și Bitcoin (1/2)

                    Slide 101 în PDF

                    Graficul marchează zilele semnalate de test pe randamentele zilnice ale S&P 500 și Bitcoin.

                    Pe scurt

                    Zile marcate de testul Lee–Mykland în S&P 500 și Bitcoin (2/2)

                    Slide 102 în PDF

                    La pragul asimptotic, testul marchează 32 de zile în S&P 500 (0,87 pe an, 84% negative) și 52 în Bitcoin (4,35 pe an, 52% negative). Cele mai mari mișcări ale S&P 500, din 2008 și 2020, nu sînt marcate, pentru că au venit în perioade agitate, în timp ce o mișcare de 1,2% într-o piață calmă, pe 14 octombrie 1993, este marcată. Zilele marcate diferă de intensitatea Merton estimată, ceea ce poate reflecta volatilitatea stocastică, drift bursts sau puterea mică de detecție în datele zilnice.

                    Pe scurt

                    S&P 500Bitcoin
                    Zile marcate, prag asimptotic3252
                    Pe an\(0{,}87\)\(4{,}35\)
                    Negative (%)\(84\)\(52\)
                    Printre primele 10 mișcări05
                    Peste pragul calibrat de 1%310
                    • Randamente logaritmice zilnice; pragul asimptotic de 1% funcționează aici ca filtru exploratoriu
                    • S&P 500: cele mai mari mișcări (2008, 2020), produse în perioade turbulente, nu sînt marcate
                      • În schimb, o mișcare de \(1{,}2\%\) într-o piață calmă este marcată (1993-10-14)
                    • Zilele marcate diferă de intensitatea Merton estimată. Explicații posibile:
                      • volatilitatea stocastică
                      • drift bursts (episoade scurte de drift exploziv)
                      • puterea redusă de detectare în datele zilnice
                    MFM_ch11_jumps

                    Pragul Lee–Mykland în eșantion finit

                    Slide 103 în PDF

                    Cu \(K = 16\) zile, volatilitatea locală este zgomotoasă, iar în 2 000 de eșantioane i.i.d. cu distribuția Normală pragul asimptotic marchează cel puțin o zi în 96,6% din eșantioane, în medie 3,43 zile. Pragurile calibrate de 99%, 22,93 pentru S&P 500 și 19,61 pentru Bitcoin, marchează 3 și 10 zile. Sub Heston fără salturi, chiar și pragul calibrat sub i.i.d. este depășit în 44% din eșantioane, iar cu pragul calibrat sub Heston nicio zi a S&P 500 nu este marcată: cu date zilnice, zilele marcate sînt candidate pentru inspecție, nu salturi detectate la 1%.

                    Pe scurt

                    • Pragul asimptotic presupune o volatilitate locală estimată precis; cu \(K = 16\) zile, \(\hat\sigma_t\) este zgomotos
                      • în 2 000 de eșantioane i.i.d. cu distribuția Normală, de lungimea S&P 500, pragul \(4{,}60\) marchează cel puțin o zi în \(96{,}6\%\) dintre eșantioane
                      • în medie \(3{,}43\) zile marcate pe eșantion, deși nu există salturi
                    • Pragul calibrat: cuantila de 99% a maximului statisticii în aceleași eșantioane (același \(n\), același \(K\))
                      • S&P 500: \(22{,}93\) (\(|L_t| > 11{,}6\)), față de \(4{,}60\) (\(|L_t| > 6{,}2\)); 3 zile marcate (2016-09-09, 2017-05-17, 2018-10-10)
                      • Bitcoin: \(19{,}61\) (\(|L_t| > 10{,}6\)); 10 zile marcate
                    • Dimensiunea sub volatilitate stocastică fără salturi: 200 de eșantioane Heston (parametrii din VIX, \(\rho = -0{,}69\), 390 de pași pe zi)
                      • pragul asimptotic este depășit în \(100\%\) dintre eșantioane
                      • pragul calibrat sub distribuția Normală i.i.d. este depășit în \(44\%\) dintre eșantioane
                      • cu cuantila de 99% din eșantioanele Heston (\(48{,}7\)), nicio zi S&P 500 nu este marcată
                    • Cu date zilnice, zilele marcate sînt candidate pentru inspecție, nu salturi detectate la nivelul de 1%

                    Parametrii identificați de VIX în modelul Heston

                    Slide 104 în PDF

                    Sub \(Q\), pătratul VIX este varianța medie așteptată pe următorii \(\tau = 30/365\) ani, \(y_t = a + b\,v_t\), cu \(b = (1 - e^{-\kappa^Q\tau})/(\kappa^Q\tau) < 1\) și \(a = \theta^Q(1 - b)\). Regresia pe \(y_t\) recuperează deci viteza \(\kappa\) sub \(P\), aproximează \(\rho\), atenuează \(\xi\) și amestecă \(\theta^Q\) cu \(\theta^P\); o estimare corectă modelează direct dinamica lui \(y\) sau estimează împreună \(v_t\) și ecuația de observație.

                    Pe scurt

                    • Sub \(Q\): \(y_t = \frac{1}{\tau}\E^Q\left[\int_t^{t+\tau} v_s\,\dd s \mid \mathcal{F}_t\right] = a + b\,v_t\), \(\tau = 30/365\) (Seminarul 11, A8)
                      • \(b = \frac{1 - e^{-\kappa^Q\tau}}{\kappa^Q\tau} < 1\), \(a = \theta^Q(1 - b)\)
                      • \(y_t\) este afin în \(v_t\), cu parametri \(Q\)
                    • Parametrii recuperați de regresia pe \(y_t\)
                      • \(\kappa\): viteza sub \(P\), deoarece o transformare afină păstrează dinamica lui \(v_t\)
                      • \(\rho\): neschimbat (corelația nu depinde de scală)
                      • dar este aproximat doar din variațiile zilnice ale proxy-ului
                      • \(\xi\) este atenuat (derivarea: slide-ul următor)
                      • nivelul pe termen lung amestecă \(\theta^Q\) și \(\theta^P\)
                    • O estimare corectă are două variante
                      • modelează direct dinamica lui \(y\), cu difuzia proporțională cu \(\sqrt{y - a}\)
                      • sau estimează împreună \(v_t\) și ecuația de observație

                    De unde provine atenuarea lui \(\xi\) (1/2)

                    Slide 105 în PDF

                    Deoarece \(\mathrm{d}y_t = b\,\mathrm{d}v_t\), driftul lui \(y\) are aceeași viteză \(\kappa\), cu nivelul \(\theta_y = a + b\,\theta^P\), în timp ce egalarea difuziilor dă \(\xi_y = b\,\xi\sqrt{v_t/(a + b\,v_t)}\), egal cu \(b\,\xi\) la \(v_t = \theta^Q\).

                    Pe scurt

                    • Pasul 1: \(y_t = a + b\,v_t\), cu \(a\) și \(b\) constante, deci \(\dd y_t = b\,\dd v_t\) sub \(P\)
                      • \(\dd y_t = b\kappa(\theta^P - v_t)\,\dd t + b\,\xi\sqrt{v_t}\,\dd W_t^{(2)}\)
                    • Pasul 2, driftul: \(b\kappa(\theta^P - v_t) = \kappa(\theta_y - y_t)\), cu \(\theta_y = a + b\,\theta^P\)
                      • viteza \(\kappa\) rămîne aceeași
                      • iar \(\theta^P = (\theta_y - a)/b\)
                    • Pasul 3, difuzia: regresia CIR presupune \(\xi_y\sqrt{y_t}\)
                      • egalînd \(\xi_y\sqrt{y_t} = b\,\xi\sqrt{v_t}\) obținem \(\xi_y = b\,\xi\sqrt{v_t/(a + b\,v_t)}\)
                      • la \(v_t = \theta^Q\), \(a + b\,\theta^Q = \theta^Q\), deci \(\xi_y = b\,\xi\)

                    De unde provine atenuarea lui \(\xi\) (2/2)

                    Slide 106 în PDF

                    Cu \(\kappa^Q = 5\), \(b = 0{,}82\), iar \(\hat\xi = 0{,}56\) estimat corespunde lui \(\hat\xi/b = 0{,}68\) în jurul lui \(v_t = \theta^Q\); alte valori ale lui \(\kappa^Q\) sînt în Anexă. VIX singur nu identifică \(\kappa^Q\): este nevoie de o estimare comună \(P\)/\(Q\) cu prețurile opțiunilor (Chernov & Ghysels, 2000) sau de momentele varianței realizate (Bollerslev & Zhou, 2002).

                    Pe scurt

                    • Cifre: cu \(\kappa^Q = 5\), \(b = 0{,}82\)
                      • deci \(\hat\xi = 0{,}56\) corespunde lui \(\hat\xi/b = 0{,}68\) în jurul lui \(v_t = \theta^Q\)
                      • alte valori \(\kappa^Q\): Anexa
                      • corecția \(\hat\xi/b\): Anexa
                    • \(\kappa^Q\) nu se identifică doar din VIX

                    Traiectorii Heston simulate (2/2)

                    Slide 108 în PDF

                    Cu \(\hat\kappa\), \(\hat\xi\) și \(\hat\rho\) din VIX și cu \(\theta\) egal cu varianța realizată a S&P 500, volatilitatea apare în grupuri, iar scăderile de preț coincid cu vîrfurile de volatilitate; corelația simulată randament–varianță este −0,69. Raportul Feller este 0,86, sub 1, deci starea Euler latentă este nepozitivă în 1,4% din pași, iar trunchierea completă folosește \(\tilde v^+ = \max(\tilde v, 0)\) în drift, în difuzie și în pasul prețului.

                    Pe scurt

                    • Trei traiectorii simulate pe cinci ani: sus prețul, jos volatilitatea \(\sqrt{v_t}\)
                      • \(\hat\kappa\), \(\hat\xi\) (necorectat) și \(\hat\rho\) provin din VIX
                      • \(\theta\) este varianța realizată a S&P 500
                    • Gruparea volatilității este acum generată de model
                      • Scăderile de preț coincid cu vîrfurile de volatilitate
                      • Corelația simulată randament–varianță: \(-0{,}69\) (efectul de levier prin \(\rho\))
                    • Raportul Feller \(2\hat\kappa\theta/\hat\xi^2 = 0{,}86 < 1\): varianța poate atinge zero
                      • starea Euler latentă \(\tilde v\) este \(\le 0\) la \(1{,}4\%\) din pași
                      • trunchierea completă: \(\tilde v_{k+1} = \tilde v_k + \kappa(\theta - \tilde v_k^+)\Delta + \xi\sqrt{\tilde v_k^+\Delta}\,Z_k\), cu \(\tilde v^+ = \max(\tilde v, 0)\)
                      • \(\tilde v^+\) intră în drift, în difuzie și în pasul prețului; se raportează \(\tilde v^+\)
                    MFM_ch11_heston_paths

                    Zîmbetul volatilității: introducere în Capitolul 12 (1/3)

                    Slide 109 în PDF

                    Graficul arată volatilitățile implicite Black–Scholes ale prețurilor call Heston în funcție de prețul de exercitare, pentru trei corelații (stînga) și trei scadențe (dreapta).

                    Zîmbetul volatilității: introducere în Capitolul 12 (2/3)

                    Slide 110 în PDF

                    Volatilitatea implicită, valoarea \(\sigma\) care egalează prețul Black–Scholes cu un preț dat al opțiunii, este constantă în raport cu prețul de exercitare sub GBM. La trei luni, Heston cu \(\hat\rho = -0{,}69\) dă un skew descendent, 26,9% la 80% din spot, 20,0% la spot și 15,7% la 120%; \(\rho = 0\) dă un smile simetric, iar \(\rho = 0{,}50\) inversează skew-ul.

                    Pe scurt

                    • Volatilitatea implicită: valoarea \(\sigma\) care egalează prețul Black–Scholes cu un preț dat al opțiunii
                      • sub GBM, ea este constantă în raport cu prețul de exercitare
                    • Aici, volatilitățile implicite sînt calculate din prețurile opțiunilor call Heston
                      • Monte Carlo, 100 000 de traiectorii antitetice
                    • Stînga, scadența de trei luni, cu \(\hat\rho = -0{,}69\): un înclinare descendent
                      • volatilitatea implicită este \(26{,}9\%\) la un preț de exercitare de 80% din spot
                      • \(20{,}0\%\) la spot și \(15{,}7\%\) la 120% din spot
                    • Cu \(\rho = 0\): un zîmbet simetric (smile)
                      • \(22{,}8\%\) la 80% din spot
                      • \(20{,}1\%\) la spot și \(22{,}0\%\) la 120% din spot
                    • Cu \(\rho = 0{,}50\): înclinarea se inversează
                      • volatilitatea implicită crește cu prețul de exercitare

                    Zîmbetul volatilității: introducere în Capitolul 12 (3/3)

                    Slide 111 în PDF

                    Skew-ul se aplatizează cu scadența, de la 27,9%–16,2% la o lună la 23,2%–17,0% la un an; evaluarea propriu-zisă cere parametri \(Q\) calibrați pe opțiuni (Capitolul 12).

                    Pe scurt

                    • Dreapta: înclinarea se aplatizează odată cu scadența
                      • la o lună, între 80% și 120% din spot: volatilitatea implicită scade de la \(27{,}9\%\) la \(16{,}2\%\)
                      • la un an: doar de la \(23{,}2\%\) la \(17{,}0\%\)
                    • Este doar o ilustrare
                      • evaluarea necesită \(\kappa^Q\), \(\theta^Q\) calibrați pe prețurile opțiunilor (Capitolul 12)
                    MFM_ch11_heston_smile

                    Difuzii afine cu salturi

                    Slide 112 în PDF

                    În difuziile afine cu salturi (affine jump-diffusions) (Duffie, Pan & Singleton, 2000), driftul, dispersia și intensitatea salturilor sînt afine în stare, ca în Vasicek, CIR, Merton, Heston și Bates. Funcția caracteristică condiționată este atunci exponențial-afină, \(\exp(\alpha(\tau) + \beta(\tau)^\top X_t)\), cu \(\alpha\) și \(\beta\) soluții ale unor ecuații diferențiale Riccati, iar prețurile opțiunilor rezultă prin inversiune Fourier; obligațiunea Vasicek (11.20) este cazul cel mai simplu.

                    Pe scurt

                    Difuzii afine cu salturi Duffie, Pan & Singleton (2000)
                    • Drift, varianță și intensitate a salturilor afine în starea \(X_t\)
                      • Vasicek, CIR, Merton, Heston și Bates
                    • \(\E\left[e^{iu^\top X_T} \mid X_t\right] = \exp\left(\alpha(\tau) + \beta(\tau)^\top X_t\right)\)
                      • \(i = \sqrt{-1}\), \(u\): un vector real, \(\tau = T - t\)
                      • \(\alpha\), \(\beta\): soluții ale unor ecuații diferențiale ordinare Riccati
                    • Prețurile opțiunilor prin inversare Fourier
                      • Cazul cel mai simplu: \(A(\tau)\), \(B(\tau)\) Vasicek din Secțiunea 8

                    De la GARCH la difuzii

                    Slide 113 în PDF

                    Cînd pasul scade, GARCH(1,1), modelul GARCH (generalised autoregressive conditional heteroskedasticity) din Capitolul 5, converge la o difuzie a varianței asemănătoare celei Heston, dar cu \(v_t\) în loc de \(\sqrt{v_t}\) în termenul de difuzie (Nelson, 1990). Viteza este \(\kappa \approx (1 - \alpha - \beta)/\Delta t\), deci \(\alpha + \beta = 0{,}99\) zilnic dă \(\kappa \approx 2{,}5\) pe an și un timp de înjumătățire de circa 70 de zile. GARCH și limita lui de difuzie nu sînt însă experimente statistice asimptotic echivalente (Wang, 2002).

                    Pe scurt

                    GARCH (Generalised Autoregressive Conditional Heteroskedasticity) descrie varianța condiționată din date discrete.
                    De la volatilitate condiționată la difuzii Nelson (1990)
                    • Cînd pasul se micșorează, GARCH(1,1) converge la
                      • \(\dd v_t = \kappa(\theta - v_t)\,\dd t + \xi v_t\,\dd W_t^{(2)}\)
                      • Ca Heston, cu \(v_t\) în loc de \(\sqrt{v_t}\)
                    • \(\kappa \approx (1 - \alpha - \beta)/\Delta t\), cu \(\alpha\), \(\beta\) coeficienții GARCH(1,1)
                      • Cu \(\alpha + \beta = 0{,}99\) pe date zilnice, \(\kappa \approx 2{,}5\) pe an
                      • adică un timp de înjumătățire de circa 70 de zile (Capitolul 5)
                    • GARCH și difuzia-limită nu sînt statistic echivalente asimptotic Wang (2002)
                      • inferența poate diferi chiar cînd \(\Delta t \to 0\)

                    De ce un \(\rho\) negativ face asimetrice randamentele zilnice

                    Slide 114 în PDF

                    Pe o zi, \(\sqrt{v_s} \approx \sqrt{v_0} + \tfrac12\xi W_s^{(2)}\), iar termenul încrucișat al randamentului zilnic dă \(\mathbb{E}[R^3] \approx \tfrac32\,\xi\rho\,v_0 h^2\), cu \(\operatorname{Var}(R) \approx v_0 h\). Asimetria este deci aproximativ \(\tfrac32\,\rho\,\xi\sqrt{h}/\sqrt{v_0}\): circa −0,20 cu \(\hat\rho = -0{,}69\), \(\hat\xi = 0{,}56\) și \(\sqrt{v_0} = 18{,}0\%\), față de o mediană simulată de −0,21 cu 390 de pași pe zi.

                    Pe scurt

                    • Pe o zi, \(h = 1/252\), ignorînd termenii de drift de ordinul \(h\): \(R = \int_0^h \sqrt{v_s}\,\dd W_s^{(1)}\)
                      • Lema lui Itô pentru \(\sqrt{v}\): \(\dd\sqrt{v_s} = \tfrac12\xi\,\dd W_s^{(2)} + O(\dd s)\)
                      • deci \(\sqrt{v_s} \approx \sqrt{v_0} + \tfrac12\xi W_s^{(2)}\)
                      • \(R \approx \sqrt{v_0}\,W_h^{(1)} + \tfrac12\xi\int_0^h W_s^{(2)}\,\dd W_s^{(1)}\)
                    • Momentul de ordinul trei: termenul încrucișat dă \(\E[R^3] \approx \tfrac32\,\xi\rho\,v_0 h^2\)
                      • iar \(\Var(R) \approx v_0 h\)
                    • Asimetria \(\approx \tfrac32\,\rho\,\xi\sqrt{h}/\sqrt{v_0}\), o aproximare de ordinul principal
                      • cu \(\hat\rho = -0{,}69\), \(\hat\xi = 0{,}56\) și \(\sqrt{v_0} = 18{,}0\%\): circa \(-0{,}20\)
                      • simularea cu 390 de pași pe zi (Secțiunea 11): mediana \(-0{,}21\)

                    Studiu de caz: SPY comparat cu Tabelul 3 (2/2)

                    Slide 116 în PDF

                    În articol, \(\hat\alpha\) abia se mișcă odată cu \(\Delta\), de la −0,38 la −0,30, deci roughness-ul este o proprietate a procesului, iar SPY se încadrează în aceeași bandă. \(\hat\beta^*\) robust la zgomot este 0,17–0,18 la orice \(\Delta\), mult sub 1, în timp ce \(\hat\beta\) simplu este instabil. Comparația are limite: alt contract, altă perioadă și alt estimator, bare în locul tuturor tranzacțiilor, fără pre-averaging, iar măsurile realizate privesc varianța integrată, nu pe cea instantanee.

                    Pe scurt

                    • Liniile: contractul futures E-mini S&P 500, 2011–2014 (Bennedsen, Lunde & Pakkanen (2022), Tabelul 3, Panoul A)
                      • \(\Delta\) de la 10 minute la o zi
                    • Marcajele: SPY la o zi, 2020–2026, din datele cursului
                      • \(^*\) indică estimatorii robuști la zgomot
                    • \(\hat\alpha\) aproape nu depinde de \(\Delta\) (între \(-0{,}38\) și \(-0{,}30\))
                      • asperitatea este o proprietate a procesului
                      • SPY se încadrează în aceeași bandă
                    • \(\hat\beta^*\) este \(0{,}17\)–\(0{,}18\) la orice \(\Delta\), mult sub 1
                      • \(\hat\beta\) fără corecție este instabil
                    • Limite: alt contract, altă perioadă, alt estimator
                      • bare agregate, nu fiecare tranzacție, fără pre-mediere
                    • Măsurile realizate estimează varianța integrată, nu pe cea instantanee
                    MFM_ch11_rough_vol

                    Proiect: replicare și livrabile de bază

                    Slide 117 în PDF

                    Proiectul replică întîi trei cifre:

                    1. ponderea salturilor Merton de 71% pe datele zilnice S&P 500;
                    2. cele 0,87 zile marcate pe an de testul Lee–Mykland la pragul asimptotic;
                    3. ponderea bipower a salturilor de 2,8% pe datele SPY de 5 minute.

                    Livrabilele de bază, realizabile cu datele cursului, sînt ponderea bipower a salturilor și marcajele Lee–Mykland cu praguri calibrate prin simulare la 5, 15 și 30 de minute pe SPY și standardizarea EWMA din mini studiul de caz, repetată la fiecare frecvență.

                    Pe scurt

                    • Replicați mai întîi
                      • ponderea salturilor în varianță din modelul Merton: 71% (S&P 500, date zilnice)
                      • zilele marcate de testul Lee–Mykland cu pragul asimptotic: \(0{,}87\) pe an
                      • ponderea salturilor din testul bipower: 2,8% (SPY, 5 minute, Capitolul 9)
                    • Livrabilele de bază, realizabile cu datele cursului
                      • SPY, la 5, 15 și 30 de minute: ponderea salturilor din testul bipower
                      • SPY, la aceleași frecvențe: zilele marcate de testul Lee–Mykland, cu pragul calibrat prin simulare
                      • Standardizarea EWMA din mini studiul de caz, repetată pe SPY la fiecare frecvență

                    Proiect: drift bursts în Bitcoin și raportul

                    Slide 118 în PDF

                    A doua întrebare este dacă drift bursts apar mai des sau mai rar în Bitcoin, care se tranzacționează non-stop, decît în SPY pe aceeași fereastră și dacă sînt urmate de reveniri; lățimile de bandă, ipoteza nulă și comparația sînt preînregistrate. O extensie opțională testează Heston față de Bates printr-un test LR bootstrap, ceea ce cere filtrarea varianței latente, de exemplu prin metoda Markov chain Monte Carlo (MCMC) a lui Eraker, Johannes & Polson (2003). Raportul cuprinde fiecare specificație încercată și o critică de tip referent, iar utilizarea AI se declară în fișierele AI_USE.md și AI_ERRORS.md.

                    Pe scurt

                    • Apar drift bursts în Bitcoin, tranzacționat 24 de ore din 24, mai des sau mai rar decît în SPY?
                      • a doua întrebare: sînt urmate de o revenire a prețului?
                      • Date: bare Bitcoin de 5 minute, septembrie 2024 – septembrie 2026, 659 de zile UTC cu cel puțin 95% din cele 288 de bare (Capitolul 9)
                      • barele SPY de 5 minute din aceeași fereastră
                      • înainte de prima rulare: pre-înregistrați lățimile de bandă, ipoteza nulă (semne aleatoare) și comparația
                      • explicați cum schimbă testul lipsa licitației de închidere și a pauzei peste noapte
                    • Extensie opțională: un test LR bootstrap Heston (ipoteza nulă, fără salturi) față de Bates
                      • Ambele verosimilități necesită filtrarea varianței latente
                      • de exemplu prin abordarea Markov Chain Monte Carlo (MCMC) din Eraker, Johannes & Polson (2003)
                      • planificați timpul de calcul înainte de a vă angaja
                    • Codul și un raport de două pagini
                      • raportul conține toate specificațiile încercate
                      • și o critică, în stil de recenzent, a propriului rezultat
                    • Declarați folosirea AI în AI_USE.md și erorile identificate în AI_ERRORS.md

                    Anexă

                    Anexa conține contextul istoric al modelelor capitolului, condițiile tehnice și curățarea datelor, rezultate suplimentare pentru ratele pe termen scurt, comparația randamentului Vasicek cu randamentele titlurilor de stat, corecția VIX și comparația completă a modelelor, lecturi suplimentare, metoda și rezultatele studiului de caz despre rough volatility și prompturile buclei de descoperire.

                    De la Brown la Bachelier, Einstein și Wiener

                    Slide 119 în PDF

                    În 1827, botanistul Robert Brown a observat la microscop mișcarea neregulată a particulelor de polen. Bachelier (1900) a modelat prețurile obligațiunilor de stat franceze și ale opțiunilor pe ele ca un random walk în timp continuu, a cărui dispersie crește cu \(\sqrt{t}\), cu cinci ani înainte ca Einstein (1905) să explice mișcarea lui Brown prin ciocniri moleculare. Wiener (1923) a construit mișcarea browniană ca măsură de probabilitate pe traiectorii continue, procesul Wiener.

                    Pe scurt

                    • 1827: botanistul Robert Brown vede particule de polen în zigzag neregulat
                      • observația este făcută la microscop
                    • Bachelier (1900): mers aleator în timp continuu pentru prețuri
                      • prețurile vizate: obligațiunile de stat franceze (rente) și opțiunile pe ele
                      • abaterea standard a prețurilor crește cu \(\sqrt{t}\)
                      • rezultatul precede cu cinci ani explicația fizică
                    • Einstein (1905): ciocnirile moleculare explică mișcarea lui Brown
                      • deplasarea pătratică medie este liniară în \(t\)
                    • Wiener (1923): mișcarea browniană ca măsură de probabilitate pe traiectorii continue, procesul Wiener

                    Itô, Samuelson, Black, Scholes și Merton

                    Slide 120 în PDF

                    Itô (1944) a introdus integrala stocastică și regula ei de derivare. Osborne (1959) a argumentat că logaritmii prețurilor, nu prețurile, se comportă ca mișcarea browniană, iar Samuelson (1965) a propus mișcarea browniană geometrică. Black & Scholes (1973) și Merton (1973) au arătat că o opțiune poate fi replicată în timp continuu; Merton (1976) a adăugat salturile, iar Heston (1993) volatilitatea aleatoare. O tratare de manual este Franke, Härdle & Hafner (2019), Partea I.

                    Pe scurt

                    Un crah în imagini, Amsterdam 1987

                    Slide 121 în PDF

                    Căderea din 19 octombrie 1987, 22,6% într-o zi (Secțiunea 9), este o zi pe care distribuția Normală nu ar produce-o nici măcar o dată în vîrsta universului: prețurile sar, iar modelele continue au nevoie de salturi sau de inovații cu cozi groase.

                    Pe scurt

                    Un crah în imagini, Amsterdam 1987 Bursa din Amsterdam, 21 octombrie 1987, după crahul din 19 octombrie Foto: Bart Molendijk / Anefo (1987); CC0; Wikimedia Commons
                    • Scăderea din 19 octombrie 1987 (Secțiunea 9): 22,6% într-o zi
                    • Sub o distribuție Normală, o asemenea zi nu ar fi de așteptat nici măcar o dată în vîrsta universului
                      • prețurile prezintă salturi
                      • modelele continue au nevoie de salturi sau de inovații cu cozi groase

                    Curățarea datelor și condiții tehnice

                    Slide 122 în PDF

                    Indicii bursieri sînt folosiți în zilele lucrătoare, cu cotațiile neschimbate (stale quotes) eliminate și randamentele zero autentice păstrate; Bitcoin se tranzacționează șapte zile pe săptămînă. Integrala Itô este definită pentru integranzi adaptați prin aproximare cu procese simple și este doar un martingal local cînd doar \(\int_0^T H_t^2\,\mathrm{d}t < \infty\) aproape sigur. O SDE are o soluție tare unică dacă coeficienții ei sînt lipschitzieni, cu creștere cel mult liniară (Kloeden & Platen, 1992); coeficienții de tip rădăcină pătrată nu sînt lipschitzieni în zero, dar au totuși soluții tari unice. Teorema lui Donsker este valabilă în spațiul traiectoriilor càdlàg cu topologia Skorokhod (Billingsley, 1999).

                    Pe scurt

                    • Date: indicii bursieri în zilele lucrătoare, fără cotațiile neactualizate (stale)
                      • cotație neactualizată: închidere neschimbată și nicio variație în cursul zilei (maxim = minim)
                      • randamentele zero reale sînt păstrate
                      • Bitcoin: 7 zile din 7
                    • Integrala Itô: sumele cu capătul stîng converg pentru integranzi regulați
                      • de exemplu, integranzi continui și adaptați
                      • un \(H\) general se obține prin aproximare cu procese simple
                      • dacă doar \(\int_0^T H_t^2\,\dd t < \infty\) aproape sigur, \(\int H\,\dd W\) este doar un martingal local
                      • media acestui martingal local poate fi nenulă
                    • SDE: soluție tare unică dacă \(a\), \(b\) sînt lipschitziene în \(x\), cu creștere cel mult liniară Kloeden & Platen (1992)
                      • coeficienții de tip radical (CIR, Heston) nu sînt lipschitzieni în zero
                      • au totuși soluții tari unice (condițiile Yamada–Watanabe)
                    • Donsker: convergență în distribuție în spațiul traiectoriilor càdlàg Billingsley (1999)
                      • spațiul are topologia Skorokhod

                    Rata pe termen scurt, cifre suplimentare (1/2)

                    Slide 123 în PDF

                    Pe 1954–2026, rata DTB3 a variat între −0,05% (26 martie 2020) și 17,1% (11 decembrie 1980), iar 4,3% din zile au fost sub 0,05%. Modelul Vasicek estimat dă o probabilitate pe termen lung de 6,1% pentru o rată negativă; în 2008–2026 există 13 zerouri exacte și 8 cotații negative, în afara domeniului verosimilităților CIR și CKLS.

                    Pe scurt

                    • DTB3, 1954–2026: rata a variat între \(-0{,}05\%\) (2020-03-26) și \(17{,}1\%\) (1980-12-11)
                      • \(4{,}3\%\) din zile au fost sub 0,05%
                      • Modelul Vasicek estimat dă o probabilitate pe termen lung de \(6{,}1\%\) pentru o rată negativă
                      • În 2008–2026 apar 13 cotații exact zero și 8 negative
                      • aceste cotații sînt în afara domeniului verosimilităților CIR și CKLS
                      • În această perioadă, \(17\%\) din zile formează un regim aproape de zero, sub 0,05%

                    Rata pe termen scurt, cifre suplimentare (2/2)

                    Slide 124 în PDF

                    Testele Wald HAC asupra exponentului CKLS pe 1954–2007 resping \(\gamma = 0\) la ambele frecvențe și \(\gamma = 1/2\) cu date zilnice, dar nu resping \(\gamma = 1/2\) cu date lunare (0,5 față de 3,84); testul LR gaussian, care ignoră volatility clustering, îl respinge lunar. Chan, Karolyi, Longstaff & Sanders (1992) au găsit \(\hat\gamma \approx 1{,}5\) pentru 1964–1989.

                    Pe scurt

                    • Testele CKLS pentru \(\gamma\), 1954–2007, Wald HAC cu \(11\) (zilnic) și \(6\) (lunar) laguri
                      • \(\gamma = 0\) este respins: statistica Wald este \(545\) pe date zilnice și \(16\) pe date lunare
                      • \(\gamma = 1/2\) este respins pe date zilnice: statistica \(67{,}0\), respectiv \(22{,}1\) cu \(55\) de laguri
                      • \(\gamma = 1/2\) nu este respins pe date lunare: \(0{,}5\), față de valoarea critică 3,84
                      • Testul LR gaussian respinge \(\gamma = 1/2\) și pe date lunare (statistica \(10{,}1\))
                      • testul LR ignoră însă gruparea volatilității
                      • Chan, Karolyi, Longstaff & Sanders (1992) au găsit \(\hat\gamma \approx 1{,}5\) pentru 1964–1989

                    Randamentul Vasicek și rata observată (1/2)

                    Slide 125 în PDF

                    Cu estimările din Secțiunea 6, \(\lambda = 0\) și \(r = 3{,}99\%\), randamentul Vasicek pe 10 ani este 4,05%, față de un randament al titlurilor de stat pe 10 ani de 5,01% (seria FRED DGS10) pe 18 septembrie 2026, adică 4,95% cu capitalizare continuă. Conversia ratei de discont pe 91 de zile DTB3 la capitalizare continuă, 4,07%, ridică randamentul modelului la 4,10%.

                    Pe scurt

                    • Obligațiunea Vasicek: randament pe 10 ani de \(4{,}05\%\)
                      • cu estimările din Secțiunea 6, \(\lambda = 0\) și \(r = 3{,}99\%\)
                    • Randamentul observat pe 10 ani (FRED DGS10) pe 2026-09-18: \(5{,}01\%\)
                      • DGS10 este un randament la paritate cu cupon semestrial
                      • cu compunere continuă: \(2\ln(1 + 5{,}01\%/2) = 4{,}95\%\)
                      • DTB3 este o rată de discont pe 91 de zile: \(3{,}99\%\) înseamnă \(4{,}07\%\) cu compunere continuă
                      • cu această rată, randamentul modelului urcă la \(4{,}10\%\)

                    Randamentul Vasicek și rata observată (2/2)

                    Slide 126 în PDF

                    Diferența scade doar de la 0,96 la 0,85 puncte procentuale și nu poate fi atribuită unei prime la termen, pentru că doar rata de pornire a fost convertită, DTB3 este o aproximare pe 3 luni a ratei instantanee, iar randamentele la paritate și cele zero-cupon nu sînt aliniate. În model, o primă la termen pozitivă cere \(\theta^Q > \hat\theta\); Stanton (1997) estimează neparametric și prețul de piață al riscului de dobîndă, iar Aït-Sahalia (1996) propune un test de specificare.

                    Pe scurt

                    • Diferența scade doar de la \(0{,}96\) la \(0{,}85\) puncte procentuale
                      • diferența dintre randamentul la paritate și cel zero-cupon nu este ajustată
                    • Diferența rămasă nu poate fi atribuită unei prime de termen
                      • doar rata inițială a fost convertită, nu și parametrii estimați pe serie
                      • DTB3 este un proxy cu maturitatea de 3 luni pentru rata instantanee
                      • comparația structurală: seria convertită înainte de estimare și randamente zero-cupon la aceeași maturitate
                    • În model, o primă de termen pozitivă cere \(\theta^Q > \hat\theta\), adică \(\lambda < 0\): o implicație a modelului, nu un rezultat identificat aici
                    • Estimarea neparametrică: Stanton (1997) estimează și prețul de piață al riscului de dobîndă
                    • Testul de specificare: Aït-Sahalia (1996)

                    Corecția VIX în funcție de \(\kappa^Q\) și comparația completă a modelelor

                    Slide 127 în PDF

                    Două tabele completează rezultatele:

                    1. Primul tabel dă factorul de atenuare \(b\) și corecția locală \(\hat\xi/b\) pentru \(\kappa^Q\) între 1 și 10.
                    2. Al doilea tabel este comparația completă din Secțiunea 11: excesul de kurtosis, asimetria, statistica Hill și ACF a lui \(|r|\) pentru date și pentru medianele a 100 de simulări ale fiecărui model; un model Heston cu un raport Feller mai mic ar putea atinge kurtosis-ul, deoarece excesul de kurtosis pe orizont scurt este aproximativ \(3\xi^2/(2\kappa\theta)\).

                    Pe scurt

                    \(\kappa^Q\)12,5510
                    \(b\)\(0{,}96\)\(0{,}90\)\(0{,}82\)\(0{,}68\)
                    Corecție locală \(\hat\xi/b\)\(0{,}58\)\(0{,}62\)\(0{,}68\)\(0{,}82\)
                    DateGBMMertonHeston
                    Exces de kurtosis\(10{,}88\)\(0{,}00\)\(3{,}66\)\(3{,}21\)
                    Asimetrie\(-0{,}36\)\(0{,}00\)\(-0{,}32\)\(-0{,}21\)
                    Statistica Hill\(2{,}56\)\(4{,}64\)\(2{,}70\)\(2{,}92\)
                    ACF a lui \(|r|\), lagul 1\(0{,}27\)\(0{,}00\)\(0{,}00\)\(0{,}28\)
                    ACF a lui \(|r|\), suma lagurilor 1–20\(5{,}32\)\(0{,}00\)\(0{,}00\)\(4{,}79\)
                    • Corecția \(\hat\xi/b\) este exactă doar la \(v_t = \theta^Q\)
                    • Coloanele modelelor sînt mediane din 100 de simulări
                    • Un model Heston cu un raport Feller mai mic ar putea atinge excesul de kurtosis
                      • excesul pe orizont scurt \(\approx 3\xi^2/(2\kappa\theta)\)
                    • Coloana Heston: 390 de pași Euler pe zi
                      • cu 780 de pași, fiecare mediană se schimbă cu mai puțin de \(0{,}01\)

                    Procese stocastice: lecturi suplimentare

                    Slide 128 în PDF

                    Cozile mai groase duc la procese Lévy și distribuții \(\alpha\)-stabile (Cont & Tankov, 2004; Pele, 2014), cu aplicații la cripto-active în lucrările lui Pele & Mazurencu-Marinescu-Pele (2019) și Pele et al. (2023). Calculul stocastic este tratat de Shreve (2004) și Franke, Härdle & Hafner (2019), exercițiile de Borak, Härdle & López-Cabrera (2013), Čížek, Härdle & Weron (2011) și Härdle, Chen & Overbeck (2017), metodele Monte Carlo de Glasserman (2003), iar SDE numerice de Kloeden & Platen (1992).

                    Pe scurt

                    Studiul de caz, model, date și metodă (1/4)

                    Slide 129 în PDF

                    Articolul modelează volatilitatea ca \(\sigma_t = \xi e^{X_t}\), cu \(X\) un proces brownian semistaționar (BSS, Brownian semistationary) cu nucleul \(g\). Nucleul Gamma dă roughness-ul \(\alpha\) cu memorie scurtă; nucleul putere, modelul Power-BSS, dă roughness și memorie lungă fixate separat, la fel ca clasa Cauchy gaussiană.

                    Pe scurt

                    • Modelul: \(\sigma_t = \xi e^{X_t}\) (ec. (1.3)), \(X_t = \int_{-\infty}^{t} g(t-s)\,v_s\,\dd W_s\) (ec. (1.5))
                      • \(X\) este un proces brownian semistaționar (BSS) cu nucleul \(g\)
                      • \(v_s\) este procesul de volatilitate a volatilității
                      • prognozele iau \(v_s \equiv 1\), deci un \(X\) gaussian (Secțiunea 5)
                    • Nucleul gamma \(g(x) = x^{\alpha}e^{-\lambda x}\) (Exemplul 1.2) dă asperitatea \(\alpha\) și memorie scurtă
                      • memoria scade exponențial, în ritmul \(\lambda\)
                    • Nucleul de tip putere \(g(x) = x^{\alpha}(1+x)^{-\gamma-\alpha}\) (ec. (1.8)) dă modelul Power-BSS
                      • \(\beta = \gamma\) dacă \(\gamma > 1\) (Observația 1.2)
                      • \(\beta = 2\gamma - 1\) dacă \(\gamma \in (1/2, 1)\)
                    • Alternativa gaussiană: clasa Cauchy (Secțiunea 1.1.1)
                      • \(\rho(h) = (1 + |h|^{2\alpha+1})^{-\beta/(2\alpha+1)}\): asperitatea \(\alpha\) și memoria \(\beta\) sînt fixate separat

                    Studiul de caz, model, date și metodă (2/4)

                    Slide 130 în PDF

                    Roughness-ul este estimat din variograma lui \(\log\hat\sigma\) prin OLS și NLLS, iar parametrul de memorie prin potrivirea ACF a modelului cu cea empirică pe primele \(\lceil n^{1/3}\rceil\) laguri. Datele sînt toate tranzacțiile cu futures E-mini S&P 500 din 2011–2014 (996 de zile) și date zilnice pentru 1 944 de acțiuni americane lichide din 2003–2013.

                    Pe scurt

                    • Pasul 1: \(\alpha\) din variograma lui \(\log\hat\sigma\), prin OLS (ec. (2.1)) și NLLS
                      • ca în replicarea pe SPY
                      • estimarea NLLS este media pentru \(m = 10, \dots, 20\) laguri (Secțiunile 2.1 și 3.1)
                    • Pasul 2: \(\beta\), \(\gamma\) sau \(\lambda\) prin ajustarea ACF a modelului la cea empirică
                    • Date: tranzacțiile cu contractul futures E-mini S&P 500, 2011–2014 (996 de zile)
                      • intervalul zilnic: 09:30–16:00 ora New York
                    • Date zilnice pentru 1 944 de acțiuni americane lichide, 2003–2013 (Secțiunile 4.1 și 4.2)

                    Studiul de caz, model, date și metodă (3/4)

                    Slide 131 în PDF

                    Volatilitatea pe fiecare interval \(\Delta\), de la 10 minute la o zi, este măsurată prin variația bipower cu pre-averaging, robustă la salturi (Barndorff-Nielsen & Shephard, 2004) și cu zgomotul de microstructură atenuat, după eliminarea sezonalității intrazilnice cu forma Fourier flexibilă a lui Andersen & Bollerslev (1997).

                    Pe scurt

                    • \(\hat\sigma^2_t\): variația bipower cu pre-mediere pe intervalul \(\Delta\), împărțită la \(\Delta\)
                    • Variația bipower a celor \(M\) randamente \(r_j\) dintr-un interval: \(\mathrm{BV} = \frac{\pi}{2}\sum_{j=2}^{M}|r_j|\,|r_{j-1}|\)
                    • Pre-medierea: randamentele sînt întîi mediate pe ferestre scurte
                      • scopul: protecție împotriva zgomotului de microstructură (Anexa A a lucrării)
                    • Sezonalitatea intrazilnică este eliminată cu forma Fourier flexibilă propusă de Andersen & Bollerslev (1997)

                    Studiul de caz, model, date și metodă (4/4)

                    Slide 132 în PDF

                    Prognozele varianței însumate pe următorii 1–20 de pași folosesc o fereastră rolling de 200 de observații, out-of-sample din ianuarie 2013 pînă în decembrie 2014, față de modele rivale între care log-HAR (Corsi, 2009), ARFIMA (AutoRegressive Fractionally Integrated Moving Average, model, model autoregresiv cu medie mobilă, integrat fracționar) și RFSV. Ele sînt comparate prin pierderile MSE (Mean Squared Error, eroarea pătratică medie) și QLIKE (Quasi-LIKElihood, loss function, funcția de pierdere de tip cvasi-verosimilitate) și prin mulțimea de încredere a modelelor (MCS, model confidence set) a lui Hansen, Lunde & Nason (2011), ai cărei membri nu pot fi deosebiți la nivelul ales.

                    Pe scurt

                    • Prognoze: varianța însumată pe următorii \(h = 1, 2, 5, 10, 20\) pași
                      • estimată pe o fereastră mobilă de 200 de observații
                      • perioada în afara eșantionului (out-of-sample): 2 ianuarie 2013 – 31 decembrie 2014 (Secțiunea 5.1.1)
                      • modele de referință: mers aleator, AR(5), AR(10), ARMA(1,1), log-HAR Corsi (2009), ARFIMA(0,\(d\),0), RFSV
                      • log-HAR: model autoregresiv heterogen pentru logaritmul volatilității
                    • Obiectul prognozei: \(\mathrm{FO}_t(\Delta, h) = \sum_{k=1}^{h}\mathrm{BV}_{t+k\Delta}\) (ec. (5.3))
                      • model gaussian în logaritmi: \(\E[e^{X_{t+\Delta}} \mid \mathcal{F}_t] = \exp(m + s^2/2)\) (ec. (5.2))
                      • \(m\), \(s^2\): media și dispersia condiționate
                    • Pierderile pe originile din afara eșantionului
                      • \(\mathrm{MSE} = \mathrm{media}\,(\widehat{\mathrm{FO}}_t - \mathrm{FO}_t)^2\)
                      • \(\mathrm{QLIKE} = \mathrm{media}\,(\log\widehat{\mathrm{FO}}_t + \mathrm{FO}_t/\widehat{\mathrm{FO}}_t)\)
                    • Model confidence set (MCS) Hansen, Lunde & Nason (2011): conține cel mai bun model cu probabilitatea 90% (sau 75%)
                      • apartenența nu este un clasament: modelele din MCS nu pot fi deosebite la acel nivel
                    • Scalarea BV (Bipower Variation, variația bipower) cu \(M/(M - 1)\) (Seminarul 11, C3) deplasează \(x_t\) cu o constantă
                      • deplasarea: \(\tfrac12\ln(78/77) \approx 0{,}006\) pentru \(M = 78\)
                      • constanta se anulează în \(\hat\gamma_2(k)\) și în ACF

                    Studiul de caz, rezultatele din lucrare (1/2)

                    Slide 133 în PDF

                    Pe E-mini, \(\hat\alpha\) se află între −0,38 și −0,30, iar \(\hat\beta^*\) robust la zgomot este 0,18 la orice interval între 10 minute și o zi: logaritmul volatilității este rough la toate scările și persistent.

                    Pe scurt

                    \(\log\sigma\), E-mini S&P 500 (Tabelul 3, Panoul A)\(\hat\alpha_{\mathrm{OLS}}\)\(\hat\alpha^*_{\mathrm{NLLS}}\)\(\hat\beta^*_{\mathrm{Cauchy}}\)\(\hat\lambda^*_{\mathrm{Gamma}}\)
                    \(\Delta = 10\) minute\(-0{,}38\)\(-0{,}38\)\(0{,}18\)\(0{,}02\)
                    \(\Delta = 65\) de minute\(-0{,}30\)\(-0{,}35\)\(0{,}18\)\(0{,}02\)
                    \(\Delta = 1\) zi\(-0{,}30\)\(-0{,}33\)\(0{,}18\)\(0{,}02\)
                    • Volatilitatea este aspră la orice scară și persistentă: memorie lungă împreună cu asperitatea
                      • aspră: \(\hat\alpha < 0\), mult mai aspră decît mișcarea browniană (\(\alpha = 0\))
                      • persistentă: \(\hat\beta^* < 1\)
                      • \(^*\) indică estimatorii robuști la zgomot
                      • comparația cu SPY este în textul principal

                    Studiul de caz, rezultatele din lucrare (2/2)

                    Slide 134 în PDF

                    Pe 1 944 de acțiuni americane, \(\hat\alpha^*\) se află în majoritate între −0,45 și −0,30, iar \(\hat\beta^*\) între 0 și 0,4, fără diferențe sistematice între sectoare. Zgomotul poate simula roughness-ul: cu \(\alpha = 0\) adevărat și zgomot, OLS dă în medie −0,47, iar NLLS 0,01. În prognoză, modelarea persistenței este utilă intrazilnic și la orizonturi lungi, iar RFSV este cel mai bun pentru prognozele zilnice la un pas.

                    Pe scurt

                    • Pe 1 944 de acțiuni americane, ambele trăsături par universale (Figurile 4 și 5)
                      • \(\hat\alpha^*\) este în general între \(-0{,}45\) și \(-0{,}30\)
                      • \(\hat\beta^*\) este între \(0\) și \(0{,}4\)
                      • nu apar diferențe sistematice între sectoare
                    • Zgomotul poate imita asperitatea (Tabelul 1, Panoul C)
                      • simulare: \(\alpha = 0\), observat cu raportul zgomot/semnal \(0{,}3\) la \(\Delta = 0{,}1\)
                      • estimarea OLS medie este \(-0{,}47\)
                      • estimarea NLLS medie este \(0{,}01\)
                    • Prognozele: modelarea persistenței îmbunătățește prognozele intrazilnice și pe orizonturi lungi
                      • pași de 15 minute, \(h = 20\), MSE (\(\times 10^{8}\)): \(0{,}038\) log-HAR, \(0{,}020\) RFSV, \(0{,}019\) Power-BSS (Tabelul 4, Panoul A)
                      • la pași zilnici și \(h = 1\), RFSV este cel mai bun: \(0{,}493\) (\(\times 10^{9}\)) (Tabelul 5, Panoul B)

                    Studiul de caz, aplicație intrazilnică, limite și întrebări deschise (1/3)

                    Slide 135 în PDF

                    Pe barele SPY de 5 minute ale cursului, o aplicație ilustrativă măsoară volatilitatea pe intervale de 30 sau 65 de minute, ajustată sezonier (Andersen & Bollerslev, 1997), și compară rezultatele pentru roughness, memorie și prognoză cu tabelele 3 și 5 ale articolului. Barele în locul tuturor tranzacțiilor fac imposibil estimatorul cu pre-averaging, măresc zgomotul și lasă doar 13 randamente pe un interval de 65 de minute.

                    Pe scurt

                    • Aplicație intrazilnică pe barele SPY de 5 minute din datele cursului
                      • este ilustrativă, nu o replicare exactă
                      • \(\hat\sigma^2_t\) este variația bipower a randamentelor la 5 minute din fiecare interval \(\Delta\) = 30 sau 65 de minute
                      • Aceasta este împărțită la \(\Delta\) și la factorul sezonier Fourier flexibil Andersen & Bollerslev (1997)
                    • Comparăm \(\hat\alpha\) OLS și NLLS, \(\hat\beta^*\) Cauchy și \(\hat\lambda^*\) Gamma-BSS cu Tabelul 3, Panoul A
                    • Comparăm prognozele log-HAR, RFSV și BSS cu Tabelul 5
                      • pierderile comparate: MSE, QLIKE (Quasi-LIKElihood, funcția de pierdere de tip cvasi-verosimilitate) și MCS
                    • Limită a datelor: bare agregate, nu fiecare tranzacție
                      • estimatorul cu pre-mediere (Anexa A a lucrării) nu poate fi calculat
                      • zgomotul este mai mare
                      • un interval de 65 de minute conține doar 13 randamente

                    Studiul de caz, aplicație intrazilnică, limite și întrebări deschise (2/3)

                    Slide 136 în PDF

                    Autorii își enunță limitele:

                    • măsurile realizate sînt estimări zgomotoase ale varianței integrate, nu ale celei instantanee;
                    • nu există o regulă pentru lățimea de bandă NLLS;
                    • NLLS este prea costisitor pentru prognozele rolling, care folosesc estimarea OLS;
                    • prognozele presupun un \(X\) gaussian, lăsînd în afara analizei o volatilitate a volatilității negaussiană.

                    Pe scurt

                    • Limitele menționate de autori
                      • Măsurile realizate sînt estimări cu zgomot ale varianței integrate
                      • Concluziile privesc aceste măsuri, nu volatilitatea instantanee latentă (Secțiunile 4.1, 4.2 și 6)
                      • Nu există o regulă pentru lățimea de bandă \(m\) a NLLS (Secțiunile 2.1 și 3.1)
                      • NLLS este prea costisitor pentru prognozele pe fereastră mobilă
                      • Aceste prognoze folosesc \(\hat\alpha\) OLS (Secțiunea 5.1.1)
                      • Prognozele presupun un \(X\) gaussian
                      • O volatilitate a volatilității negaussiană rămîne în afara lucrării (Secțiunea 5, nota 3)

                    Studiul de caz, aplicație intrazilnică, limite și întrebări deschise (3/3)

                    Slide 137 în PDF

                    Întrebarea deschisă este de ce memoria lungă îmbunătățește chiar și prognozele pe orizont scurt. Estimările rolling pe ferestre de 65 de minute din 2005–2014 au o mediană a lui \(\hat\alpha\) de −0,36, sînt mai puțin rough în 2007–2008 și 2011 și cresc cu logaritmul volumului; dacă Bitcoin, o piață care nu se închide niciodată, urmează același tipar este o întrebare deschisă.

                    Pe scurt

                    • Întrebare deschisă: de ce îmbunătățește memoria lungă chiar și prognozele pe termen scurt?
                      • Autorii lasă întrebarea pentru cercetări viitoare (Secțiunea 5.1.2)
                      • Estimările \(\hat\alpha\) pe ferestre mobile indică o volatilitate mai puțin aspră în 2007–2008 și 2011 (Figura 3)
                      • ferestrele: 65 de minute, 2005–2014
                      • mediana \(\hat\alpha\) este \(-0{,}36\)
                      • \(\hat\alpha\) crește cu logaritmul volumului, cu panta \(0{,}0091\) (Figura 6)
                      • Se încadrează Bitcoin (barele de 5 minute), o piață care nu se închide niciodată, în acest tipar?

                    Bucla descoperirii, prompturi reutilizabile (1/2)

                    Slide 138 în PDF

                    Prompturile pentru primii trei pași ai buclei cer:

                    • un tabel al ponderilor salturilor publicate, pe frecvențe, cu sursele exacte și DOI;
                    • implicațiile distincte ale salturilor, volatilității stocastice și drift bursts;
                    • cod care replică estimarea Merton din capitol.

                    Pe scurt

                    • Instrumente: un asistent AI (un LLM precum Claude, ChatGPT, Gemini sau GitHub Copilot)
                    • 1. Literatura: grupăm estimările într-un tabel după frecvență
                      • verificăm fiecare DOI pe Crossref (titlul trebuie să coincidă)
                      • Prezintă într-un tabel estimările publicate ale ponderii salturilor în varianța indicilor bursieri, după frecvența de eșantionare (zilnic, 5 minute, tranzacție cu tranzacție) și metodă; dă cifra exactă, tabelul din care provine și DOI-ul.
                    • 2. Ipoteze concurente, cu implicații testabile distincte
                      • Pentru trei procese care dau un exces de kurtosis zilnic în jur de 11 (salturi Merton, volatilitate Heston, drift bursts), derivează implicațiile pentru randamentele standardizate cu volatilitatea ex ante, pentru variația bipower față de varianța realizată și pentru drift chiar înaintea mișcărilor extreme.
                    • 3. Date și cod: replicăm întîi estimarea din capitol
                      • Scrie cod Python care citește închiderile zilnice S&P 500 din datele cursului și estimează modelul Merton prin verosimilitate maximă (mixtură Poisson trunchiată la 12 salturi, mai multe puncte de start).

                    Bucla descoperirii, prompturi reutilizabile (2/2)

                    Slide 139 în PDF

                    Prompturile pentru ultimii trei pași cer:

                    • un plan de robustețe preînregistrat, cu valori critice bootstrap sub ipoteza nulă Heston;
                    • critica unui referent asupra testului LR pentru \(\lambda = 0\);
                    • un raport care enumeră fiecare frecvență, filtru și valoare critică, împreună cu codul și jurnalul AI.

                    Pe scurt

                    • 4. Robustețe, pre-înregistrată
                      • Scrie un plan pre-înregistrat: standardizăm randamentele cu volatilitatea EWMA și GARCH cunoscută la t-1; împărțim 1990-2007 și 2008-2026; testăm Heston (fără salturi, ipoteza nulă) față de Bates (SVJ); valorile critice LR prin bootstrap parametric sub ipoteza nulă Heston.
                    • 5. Critica: cerem asistentului să conteste inferența
                      • Joacă rolul unui recenzent: de ce testul LR pentru lambda = 0 este nestandard, care este distribuția de referință corectă și ar putea o mixtură Poisson cu salturi mici și frecvente să fie doar o inovație cu cozi groase?
                    • 6. Raportul: conținut
                      • toate frecvențele și filtrele
                      • valorile critice bootstrap
                      • codul și jurnalul AI

                    Studiu suplimentar pe Quantinar

                    Slide 140 în PDF

                    Două cursuri avansate pe Quantinar, Applied Computational Finance și XFG (Quantlet prefix of Applied Quantitative Finance, Härdle, Chen & Overbeck, prefixul Quantlet-urilor din Applied Quantitative Finance, Härdle, Chen & Overbeck) Advanced Methods in Quantitative Finance, extind capitolul; codul și datele capitolului sînt în dosarul Quantlets Ch_11.

                    Acronime folosite în acest material (1/4)

                    Slide 141 în PDF
                    • ACF: AutoCorrelation Function — funcția de autocorelație
                    • AI: Artificial Intelligence — inteligență artificială
                    • AR: AutoRegressive model — model autoregresiv
                    • ARFIMA: AutoRegressive Fractionally Integrated Moving Average (model) — model autoregresiv cu medie mobilă, integrat fracționar
                    • ARMA: AutoRegressive Moving Average (model) — model autoregresiv cu medie mobilă
                    • BET: Bucharest Exchange Trading (index) — indicele de referință al Bursei de Valori București
                    • BSS: Brownian SemiStationary (process) — procesul brownian semistaționar
                    • BV: Bipower Variation — variația bipower
                    • BVB: Bursa de Valori București
                    • CBOE: Chicago Board Options Exchange — bursa de opțiuni din Chicago
                    • CI: Confidence Interval — interval de încredere
                    • CIR: Cox–Ingersoll–Ross (model) — modelul Cox–Ingersoll–Ross al ratei dobînzii

                    Acronime folosite în acest material (2/4)

                    Slide 142 în PDF
                    • CKLS: Chan–Karolyi–Longstaff–Sanders (model) — modelul Chan–Karolyi–Longstaff–Sanders al ratei dobînzii
                    • CLT: Central Limit Theorem — teorema limită centrală
                    • CME: Chicago Mercantile Exchange — Bursa de mărfuri din Chicago
                    • DGS10: 10-Year Treasury Constant Maturity Rate (FRED series code) — randamentul titlurilor de stat americane cu scadența constantă de 10 ani (codul seriei FRED)
                    • DOI: Digital Object Identifier — identificatorul digital al unui document
                    • DTB3: 3-Month Treasury Bill: secondary market rate (FRED series code) — randamentul titlurilor de stat americane pe 3 luni pe piața secundară (codul seriei FRED)
                    • ETF: Exchange-Traded Fund — fond tranzacționat la bursă
                    • EWMA: Exponentially Weighted Moving Average — medie mobilă ponderată exponențial
                    • FRED: Federal Reserve Economic Data — baza de date economice a Rezervei Federale (St. Louis)
                    • GARCH: Generalised AutoRegressive Conditional Heteroskedasticity — heteroscedasticitate condiționată autoregresivă generalizată
                    • GBM: Geometric Brownian Motion — mișcarea browniană geometrică
                    • HAC: Heteroskedasticity and Autocorrelation Consistent (standard errors) — erori standard robuste la heteroscedasticitate și autocorelație
                    • HAR: Heterogeneous AutoRegressive (model) — model autoregresiv heterogen

                    Acronime folosite în acest material (3/4)

                    Slide 143 în PDF
                    • JB: Jarque–Bera (test) — testul de normalitate Jarque–Bera
                    • LLM: Large Language Model — model lingvistic mare
                    • LR: Likelihood Ratio (test) — testul raportului de verosimilitate
                    • MCMC: Markov Chain Monte Carlo — metoda Monte Carlo cu lanțuri Markov
                    • MCS: Model Confidence Set — mulțimea de încredere a modelelor
                    • MLE: Maximum Likelihood Estimation — estimarea prin metoda verosimilității maxime
                    • MSE: Mean Squared Error — eroarea pătratică medie
                    • NLLS: Non-Linear Least Squares — metoda celor mai mici pătrate neliniare
                    • OLS: Ordinary Least Squares — metoda celor mai mici pătrate
                    • OU: Ornstein–Uhlenbeck (process) — procesul Ornstein–Uhlenbeck
                    • PDE: Partial Differential Equation — ecuație cu derivate parțiale
                    • QLIKE: Quasi-LIKElihood (loss function) — funcția de pierdere de tip cvasi-verosimilitate

                    Acronime folosite în acest material (4/4)

                    Slide 144 în PDF
                    • QQ: Quantile–Quantile (plot) — graficul cuantilă–cuantilă
                    • RFSV: Rough Fractional Stochastic Volatility (model) — modelul de volatilitate stocastică fracționară aspră
                    • SDE: Stochastic Differential Equation — ecuație diferențială stocastică
                    • SE: Standard Error — eroarea standard
                    • SPY: ticker of the SPDR S&P 500 ETF Trust — simbolul bursier al fondului SPDR S&P 500 ETF Trust
                    • SUA: Statele Unite ale Americii
                    • SVJ: Stochastic Volatility with Jumps (model) — model cu volatilitate stocastică și salturi
                    • UTC: Coordinated Universal Time (Temps Universel Coordonné) — timpul universal coordonat
                    • VaR: Value-at-Risk — valoarea la risc
                    • VIX: Cboe Volatility Index — indicele de volatilitate CBOE
                    • XFG: Quantlet prefix of Applied Quantitative Finance (Härdle, Chen & Overbeck) — prefixul Quantlet-urilor din Applied Quantitative Finance (Härdle, Chen & Overbeck)

                    Randamente logaritmice zilnice pînă la 18 septembrie 2026: S&P 500 (din 1990) și Bitcoin (din 2014), prețuri EODHD. Randamentul titlurilor de stat SUA pe 3 luni: FRED, seria DTB3, 1954–2026. Studiile de caz: bare SPY de 5 minute, EODHD, octombrie 2020 – septembrie 2026. Simulările (random walk, mișcare browniană, GBM, Merton, Heston) folosesc aceleași seed-uri ca graficele din curs.

                    Bibliografie