Andersen, Bollerslev, Diebold & Labys (2003) — Modeling and Forecasting Realized Volatility

占位 entity — JDQS 2026 论文的高频 realized volatility 方法学母题, 全文 RV 文献的奠基之作。

完整 reference: Andersen, T. G., Bollerslev, T., Diebold, F. X., & Labys, P. (2003). Modeling and forecasting realized volatility. Econometrica, 71(2), 579–625.

核心贡献:

• 把日内高频平方收益求和定义为 realized volatility (RV): RV_t = \sum_{j=1}^n r_{t,j}^2。
• 论证 RV 是积分波动率 \int_t^{t+1} \sigma^2_s ds 的无偏 + 一致估计 (无 microstructure noise 时); 有 noise 时需要 correction (如 realized kernel, two-scale RV)。
• 论证 RV 序列有长记忆性 (long memory) → ARFIMA / HAR 族模型自然适合。
• 给出 DMZ (Decentralized) + SARV 等 forecasting framework, 论证 long-memory + day-of-week effect 的组合能解释 GARCH 类模型的 out-of-sample weakness。

对 JDQS 2026 论文的角色:

• HHIt 的"水平"部分 (RV) 的数学基础; HHIt 是 RV 的形状补充 (r = -0.11, level-independent by Proposition 1)。
• 论文 §1 "realized volatility... revolutionized volatility measurement by extracting far more information from the intraday price path than a single close-to-close return" 直接引用本文献。

衍生文献:

• Corsi (2009) HAR-RV 简化 long-memory 模型。
• Barndorff-Nielsen & Shephard (2004) bipower variation (noise-robust RV + jump test)。
• Fan & Wang (2007) multi-scale jump/vol analysis。
• Patton (2011) vol forecast comparison with imperfect proxies。
• JDQS 2026 Intraday Variance Concentration Crash — HHIt 是 RV 的"形状"延伸, Proposition 1 给 level-independent baseline。