La persistencia en la volatilidad de la rentabilidad de las acciones es uno de los comunes "hechos estilizados" cuando se trata de análisis de series de tiempo. Sin embargo, me pregunto por argumentos teóricos por qué (estimado) la volatilidad debería tener una larga memoria. Una de las ideas que encontré en asumir que el flujo de información es lento y por lo tanto noticias que llegan a los mercados no son absorbidos de inmediato, pero con un periodo de latencia, que conduce a largo plazo-ajustes'. Esta explicación no me satisface por completo, ya que la velocidad de la negociación y el procesamiento de la información debe ser mucho más rápido hoy en día.
En mis ojos, la imagen tiene también cambia con la crisis financiera. El uso de los datos públicos disponibles en Oxford-Man Instituto me calculadas las auto-correlaciones de diario de RV como apoderados de la volatilidad de 21 de activos, dividido en el período antes de la quiebra de Lehman Accidente y después. 
Claramente, la persistencia en el se dio cuenta de la Volatilidad disminuyó mucho, darme un tiempo para aceptar la persistencia de la volatilidad, como algo que se da...
Así que, ¿cuáles son los diferentes canales de conducción de persistencia en la volatilidad, que puede también explicar tales cambios a través del tiempo?
Editar después de 2,5 años (gracias por tu comentario @Jared:
Una lista de los recursos se proporciona aquí. En aras de la brevedad he utilizado las estimaciones basadas en Se dio cuenta de la Varianza (10 min Sub-muestreada). Las cifras pueden ser replicados por la ejecución de los siguientes R-código (he actualizado para que ahora también contiene datos hasta el año 2018, pero las cifras no cambian en absoluto). El código directamente las descargas de los datos de los di cuenta de biblioteca (gracias a Heber, Gerd, Asger Lunde, Neil Shephard y Kevin Sheppard (2009) para proporcionar esta rica base de datos!).
url <- "https://realized.oxford-man.ox.ac.uk/images/oxfordmanrealizedvolatilityindices-0.2-final.zip"
temp <- tempfile()
download.file(url, temp)
unzip(temp, "OxfordManRealizedVolatilityIndices.csv")
library(tidyverse)
data <- read_csv("OxfordManRealizedVolatilityIndices.csv", skip=2)
data <- data%>%select(matches('.rv10ss|DateID')) %>% na.omit()
fit_before <- apply(data%>%filter(DateID<20060917)%>%select(-DateID),2 ,function(x) fit <- acf(x, lag=30))
fit_after <- apply(data%>%filter(DateID>=20060917)%>%select(-DateID),2 ,function(x) fit <- acf(x, lag=30))
fit_before%>%
map(function(x)x$acf) %>%
bind_rows() %>%
mutate(lag = 0:30) %>%
gather(Asset, Autocorrelation, -lag) %>%
ggplot(aes(x=lag, y = Autocorrelation, group=Asset)) + geom_line() + theme_bw()
fit_after%>%
map(function(x)x$acf) %>%
bind_rows() %>%
mutate(lag = 0:30) %>%
gather(Asset, Autocorrelation, -lag) %>%
ggplot(aes(x=lag, y = Autocorrelation, group=Asset)) + geom_line() + theme_bw()
