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？
1703563165
1703563166
为了直观地比较这两种方法的相对收敛速度，Merrill（2011）模拟了100000次波动率为0.30的股票在20天内的路径，其中观测障碍被设为0.01。障碍方法的波动率估计值的离散程度如图2-4所示，这些估计值的标准差为0.028。
1703563167
1703563168
1703563169
1703563170
1703563171
图2-4 采用障碍方法时波动率估计值的分布
1703563172
1703563173
他根据式（2-18）计算得到τ的估计值为0.28天。接下来他又进行了一次模拟，按照0.28天的频率对该股票进行抽样。这意味着此时估计收盘价–收盘价波动率所使用的数据在平均意义上与障碍法相同。收盘价–收盘价方法的波动率估计值的离散程度如图2-5所示。这些估计值的标准差为0.048。因此障碍方法的效率看上去比收盘价–收盘价方法高1.7倍。
1703563174
1703563175
退出时间方法估计波动率是实时波动率估计自然适应。若需要将股票的买卖价差和离散交易特征考虑进去，该方法调整起来也比较容易。它朝真实波动率收敛的速度也比传统的收盘价–收盘价估计量更快。
1703563176
1703563177
1703563178
1703563179
1703563180
图2-5 采用收盘价–收盘价方法时波动率估计值的分布
1703563181
1703563182
收盘价–收盘价估计量
1703563183
1703563184
优点：
1703563185
1703563186
·抽样特性很容易被理解。
1703563187
1703563188
·偏差容易纠正。
1703563189
1703563190
·可以简单地转换为“典型的每日波幅”的公式形式。
1703563191
1703563192
缺点：
1703563193
1703563194
·没有充分利用已有数据信息，并且收敛速度很慢。
1703563195
1703563196
Parkinson估计量