Corsi (2009) — A Simple Approximate Long-Memory Model of Realized Volatility

占位 entity — JDQS 2026 论文 HAR-RV 基准的来源, 是 Andersen-Bollerslev-Diebold-Labys 2003 长期记忆性的简化实现。

完整 reference: Corsi, F. (2009). A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics, 7(2), 174–196.

核心贡献:

• 提出 Heterogeneous Autoregressive Realized Volatility (HAR-RV) 模型: RV_{t+1} = \beta_0 + \beta_D RV_t + \beta_W \bar{RV}_{t-4:t} + \beta_M \bar{RV}_{t-21:t} + \epsilon_{t+1} 其中 RV_t = 日 RV, \bar{RV}_{t-4:t} = 5 日均值, \bar{RV}_{t-21:t} = 22 日均值。
• 三个时间尺度 (日 / 周 / 月) 的简单加权和近似 long-memory (ARFIMA 风格) → 简单 OLS 估计 + 仍捕获 long-memory 性质。
• 论证 HAR-RV 在日 / 周 / 月 三个 horizon 的波动率预测上接近最优 (vs 更复杂的 ARFIMA / FIGARCH)。

对 JDQS 2026 论文的角色:

• Normal-HAR 是论文 10-benchmark 之一, OOS Brier 0.0436。
• 与 Logit-HAR (0.0444) 一起, 是 paper 论证 "concentration (HHI) adds calibration quality that volatility-level models cannot replicate" 的对照基准。
• 也是 normal-tail + RV 框架的代表性实现 — 论文论证 normal-tail assumption 在 low-vol decile 的 100-fold miscalibration 在 HAR 框架下同样存在 (因为 normal-tail 是核心问题)。

衍生文献:

• JDQS 2026 Intraday Variance Concentration Crash — HHIt 是 HAR-RV 的形状补充 (r ≈ -0.11, level-independent)。
• HAR-RV 衍生: HAR-RV-J (jump), HAR-RV-CJ (continuous + jump), HAR-RV-SJ (signed jump) — 后续扩展。
• 实务中: realized vol forecasting 行业的 default first-pass 模型, 比 GARCH 更简单 + 更鲁棒 + 对 long-memory 友好。