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
1703563147
这个随机变量的均值为0，方差为Var（τ）/n。接下来定义一个函数？：
1703563148
1703563149
1703563150
1703563151
1703563152
我们可以扩展我们的有偏样本波动率E[f（τ）]至二阶项，以获得方差项，从而求解出真实总体波动率：
1703563153
1703563154
1703563155
1703563156
1703563157
这样，一个单独的观察值，我们需要通过乘以4/5来修正我们的观测波动率。这样的修正幅度很大，但随着n的增加，偏差会迅速降低，其收敛特征如表2-6所示。
1703563158
1703563159
表2-6 样本波动率的偏差修正因子与观测值数量的关系
1703563160
1703563161
1703563162
1703563163
1703563164
进行障碍估计量与收盘价–收盘价估计量持续性的收敛效率的比较是非常困难的。障碍估计量所使用的是一种不同的信息。实际上，这是一种在线实时估计的自然拟合方法，可被视为具有几乎无限大的信息集。不过，现在大多数交易员都是坐在电脑前看着这些数据流从眼前划过。那为什么不使用全部数据呢？