1703563019
1703563020
如果价格是连续的，那么Parkinson估计量便是方差的无偏估计（但要记住，当把方差估计转化成波动率估计时，由詹森不等式导致的偏差仍然会存在）。然而价格样本是离散的，这是因为市场只能以离散的交易单位进行交易；更为重要的是，市场只是在一天中的部分时间开放。这就意味着那些没有被观察到的真实价格便不会成为我们估计时所使用的最高价或最低价。因此，基于能观察到的极差来构造的估计量，就会系统性地低估波动率。
1703563021
1703563022
Garman和Klass（1980）模拟了因离散取样所导致的波动率被低估的现象，低估的程度与样本容量的关系参见表2-3。
1703563023
1703563024
表2-3 Parkinson方差的抽样误差
1703563025
1703563026
1703563027
1703563028
1703563029
Parkinson波动率估计量会低估波动率这一事实会令不少人感到吃惊。普遍的错误观点认为，由于交易事实上很少以最高价或者最低价这样的极端价格执行，因此Parkinson估计量会高估波动率。这个论述的前半句是对的，但是这和波动率被高估或者低估无关。Parkinson并没有对交易能否以极端价格执行做出任何说明，他只是认为极差和波动率是相关的。它只是波动率的一个估计而已，并不是对交易的估计。
1703563030
1703563031
估计量的偏差显然是个严重的问题。在使用过程中，就像我们在收盘价–收盘价估计量的例子中那样，我们可以通过将估计量除以调整因子来纠正存在的偏差，以便得到方差的无偏估计，但是这个方法仍然无法解决价格序列中存在开盘跳空的情形。
1703563032
1703563033
某一证券的波动率与其价格极差有关这一直觉是清晰的，这个想法可以扩展到其他与最高价和最低价不同的“极差”。
1703563034
1703563035
另一个知名的波动率估计量是由Garman和Klass提出的，其表达式为：
1703563036
1703563037
1703563038
1703563039
1703563040
其中，ci为交易期内的收盘价。
1703563041
1703563042
这个估计量的收敛效率可以高达收盘价–收盘价估计量的8倍（精确的效率提升幅度取决于样本容量）。但是同样由于离散取样的原因，该方法也会低估实际的波动率，并且它的偏差实际上比Parkinson估计量的还要大，如表2-4所示。
1703563043
1703563044
表2-4 Garman-Klass方差的抽样误差
1703563045
1703563046
1703563047
1703563048
1703563049
资料来源：Garman和Klass，1980。
1703563050
1703563051
一旦我们知道偏差在哪里，就总会有办法去调整它。但更严重的问题是，有研究表明，这些估计量之所以能提高估计效率，是因为它们依赖于一些并不适用于真实市场的假设，尤其价格服从不带漂移项的几何布朗运动以及连续交易的假设。Rogers、Satchell和Yoon（Rogers和Satchell，1991；Rogers、Satchell和Yoon，1994）在一定程度上放宽了这些限制条件，引入带有漂移项的更优的估计量，其表达式为：
1703563052
1703563053
1703563054
1703563055
1703563056
其中，oi为交易期内的收盘价。
1703563057
1703563058
随后，Yang和Zhang（2000）推导出了适用于开盘价格跳空的估计量。它本质上是Rogers-Satchell-Yoon估计量、收盘价–收盘价估计量和开盘价–收盘价估计量的加权平均。在一些模拟测试中，它的收敛效率可以达到收盘价–收盘价估计量的14倍，但却与由开盘跳空所导致的波动率占整个波动率的比例高度相关。如果价格跳空占据主导，那么这个估计量并不会比收盘价–收盘价估计量好多少。该估计量的表达式为：
1703563059
1703563060
1703563061
1703563062
1703563063
其中：
1703563064
1703563065
1703563066
1703563067
1703563068
