1703563097
资料来源：Brandt和Kinlay，2005。
1703563098
1703563099
我们之前讨论的估计量都是将时间分割成一系列区间，然后观察区间内的特殊价格（开盘价、最高价、最低价和收盘价等）。在某种意义上，这些估计量都是基于以下问题：价格会移动多远？我们当然可以换个问题，不是问“价格会移动多远”而是问“价格会移动多快”。Cho和Frees（1988）最先提出了这个不同的观点。
1703563100
1703563101
通过构造一个双边障碍来定义一个对数价格区间，即初始标的价格上涨Δ或下跌Δ。当障碍被触及时，我们会记录一个退出时间τ1，然后根据当前价格重置双边障碍。这样就可以生成一个退出时间序列（τ1，τ2，…，τn），并用来估计波动率。
1703563102
1703563103
此处所选择的Δ，与收盘价–收盘价方法中的固定时间间隔选择类似，不过此时我们的序列是一个当价格移动固定金额时由时间构成的随机序列。如图2-3所示，该图同样说明了为什么可以将这个初次退出时间的方法视为“收盘价–收盘价方法的变化”。
1703563104
1703563105
假设对数价格过程服从布朗运动，同时假设对于典型的τ，漂移率可以忽略，我们就可以推导出下面的简洁结果：
1703563106
1703563107
1703563108
1703563109
1703563110
（推导的具体细节参见Borodin和Salminen，2002。）
1703563111
1703563112
1703563113
1703563114
1703563115
图2-3 SPY的对数收益率，当其变化0.05时抽样。在此例中，我们可以得到变化时间的序列（用交易日数量来表示）：13、14、17、24、39、32、65、27、23
1703563116
1703563117
经过转化，我们可以得到该证券波动率的估计值为：
1703563118
1703563119
1703563120
1703563121
1703563122
其中，E（τ）为n个观测值后触发时间的样本均值。
1703563123
1703563124
然而，除非n非常大，否则该估计值会有很大的偏差。我们并不知道E（τ）的真实值，我们只能基于观测数据来估计它。因此τ的样本分布就非常重要。由于詹森不等式的缘故，其真实值会比式（2-19）的初始估计值略低。也就是说：
1703563125
1703563126
1703563127
1703563128
1703563129
不过我们可以利用一个二次修正项来调节τ的方差（同样参见Borodin和Salminen，2002）：
1703563130
1703563131
1703563132
1703563133
1703563134
如果？？为n个初次退出时间样本的均值，根据中心极限定理：
1703563135
1703563136
1703563137
1703563138
1703563139
1703563140
1703563141
1703563142
我们的目标是推导出总体方差的一个无偏估计量。为了实现这一目的，我们定义了一个新的随机变量δτ：
1703563143
1703563144
1703563145
1703563146