本文将非平衡统计力学中的广义朗之万方程引入随机波动率建模，通过独立设定记忆核、势函数与噪声协方差，解除传统分数布朗运动中记忆强度与尺度指数的绑定。¹²³ 研究表明，物理测度下订单簿数据能够稳定识别记忆核尾部指数，但短期指数仍受样本频率与交叉尺度限制而无法识别；杠杆效应具有显著期限结构，Zumbach效应拒绝时间反演对称，而粗糙约束尚未被有效证伪。^27293435 非二次势函数还可通过方差分布偏度为VIX侧提供独立于价格—波动率相关系数的调节工具，但联合SPX–VIX风险中性校准仍需在后续论文中完成。¹⁹²⁰³⁶

GLE框架：将记忆、尺度与噪声结构分离 ²³

• 模型以潜在过程 (Y_t) 驱动方差 (V_t=\phi(Y_t))，通常取 (\phi(y)=\exp(y)) 以保证方差为正；动力学由惯性 (m)、记忆核 (K)、势函数 (U) 和噪声协方差 (C) 共同决定。²⁶
• 与粗糙波动率不同，GLE允许记忆核 (K) 与噪声协方差 (C) 独立设定，因此可以分别从响应函数和波动数据中识别记忆与噪声，并以FDT比率衡量偏离热平衡的程度。⁵¹³¹⁴
• 记忆核可用有限个指数项进行Prony近似，并通过Markovian lift转化为高维Markov系统，从而避免逐时保存完整历史路径。⁶²¹²²

粗糙波动率是GLE中的受限特例 ⁹¹⁰

• 在过阻尼、线性恢复且白噪声的非平衡情形下，若 (K(t)\propto t^{-\alpha})，则驱动过程的Hurst指数为 (H=\alpha-\frac12)；在满足FDT的平衡情形下则为 (H=\frac{\alpha}{2})。⁹¹⁰
• 当经验Hurst指数取 (H=0.1)时，非平衡情形对应 (\alpha=0.6)，平衡情形对应 (\alpha=0.2)，两者产生相同的响应谱和短期限权波动率偏斜，但噪声记忆结构不同。¹⁰
• 分数布朗运动通过Lamperti变换将尺度指数H与记忆核短期奇异性绑定，而GLE允许两者独立变化；ADO构造则代表无记忆核的另一端点。¹⁰¹¹

FDT比率可以区分期权表面无法识别的模型 ¹³¹⁴

• 在相同 (H=0.1) 下，平衡模型的FDT比率基本保持平坦，非平衡模型则随频率明显偏离；因此仅观察响应谱或期权表面无法区分两种模型，而比较噪声与摩擦核的关系可以实现区分。¹⁴
• 模拟结果显示，平衡模型FDT比率的对数标准差约为0.02，非平衡模型约为0.34，后者超过前者一个数量级。¹⁴
• 传统基于实现波动率增量的Hurst估计在模拟非平衡数据上得到约0.15至0.19，而响应谱能够无偏恢复真实 (H=0.1)，说明粗糙度估计量并不直接测量记忆核。¹⁵

记忆核估计：尾部可识别，短期指数受限 ¹²²⁷²⁹

• 在模拟过阻尼GLE中，基于响应谱斜率估计摩擦指数能够基本无偏恢复真实值；样本量从 (N=2^{16}) 增至 (2^{22}) 时，估计标准差由0.013降至0.002，并呈现 (N^{-1/2}) 收敛。¹²¹³
• 在FI-2010订单簿数据上，贝叶斯估计使用15,000个观测、200事件滚动窗口和100阶滞后截断；尾部指数 (\beta) 后验均值约为0.799，但短期指数 (\beta_0) 与交叉尺度 (\mu) 基本由先验驱动。²⁷²⁸
• AAPL高频NBBO数据进一步得到 (\beta\approx0.871)，而 (\beta_0)仍未被识别；不同数据集的尾部指数水平有所差异，但“尾部可识别、短期指数不可识别”的结论保持稳定。²⁹
• FI-2010数据中 (\Delta\beta=\beta_0-\beta) 的95% HDI为[-0.473, 0.266]，包含零，因此未能拒绝粗糙约束 (\beta_0=\beta)；该结果属于统计功效不足下的非拒绝，而不是对约束相等的证明。²⁸²⁹

两指数记忆核连接短期限偏斜与远期方差 ¹⁶¹⁷

• 模型以短期指数 (\beta_0)、尾部指数 (\beta_\infty)及交叉尺度 (1/\mu)刻画记忆核；(\beta_0)主要决定短期限SPX平价偏斜，(\beta_\infty)主要决定远期方差曲线的慢速衰减。¹⁶
• 当 (\beta_0=\beta_\infty)时退化为单一分数幂核，即传统粗糙波动率；两者分离则为联合SPX–VIX校准提供额外结构自由度。¹⁶
• 数据尚未确认短期端是粗糙且偏斜发散，还是正则且零期限偏斜有限；当前物理测度样本无法在交叉尺度以内提供足够信息。¹⁷²⁹³⁵

非二次势函数：为VIX侧提供独立的偏度工具 ¹⁸¹⁹²⁰

• 二次势函数使潜在驱动过程保持高斯；加入三次项 (U''' \neq 0) 后，可以改变稳态方差分布的偏度，而不依赖价格—方差相关系数 (\rho)。¹⁸¹⁹
• 在示例参数下，将不对称参数从0调至-2，变换后方差 (V=\exp(Y)) 的偏度由1.30升至1.58，均值由1.15升至1.39；该结果说明势函数不对称性能够单独影响方差分布。¹⁹
• 四次项负责全局约束与矩存在性；若势函数形成双阱，障碍跨越频率还可以在低频处独立观测记忆核尾部，从而与高频响应估计进行交叉验证。¹⁹²⁰

杠杆记忆与Zumbach效应拒绝瞬时相关假设 ²²²⁴³⁴

• 二维GLE的可交易结构要求价格方程中的记忆核矩阵为下三角形式：价格自身记忆核和价格对方差的核在风险中性测度下被无套利条件消除，而方差对价格的核 (K_{YX}) 与方差自身记忆核 (K_{YY})可以保留。²²²³
• (K_{YX})是带期限结构的杠杆核，瞬时相关 (\rho\delta)只是其无记忆极限；股票指数的经验杠杆相关性约在9.3天尺度衰减，单只股票则可延长至数十天。²³
• 日频SPY数据的杠杆期限结构检验统计量为10.7580，高于替代样本95%分位数7.7713，p值为0.0000，拒绝瞬时Delta核假设。³⁴
• FI-2010六只股票合并的高频数据同样以p=0.0000拒绝时间反演对称，支持过去收益对未来波动率的影响强于反向影响，即 (K_{YX})主导 (K_{XY})。²⁴³⁴

物理测度检验结果与研究边界 ^263031323335

• FDT检验尚未在真实市场数据上实施，因为其有效性依赖于同一频段内足够精确的记忆核指数估计；联合SPX–VIX风险中性定价与最终模型比较被留给后续论文。³⁰³¹³⁵
• SPY日频数据未发现可识别的双稳态障碍，但势函数的均值回复、不对称性和尾部约束功能仍然成立；日频估计得到 (a=1.017)、(c_3=-0.127)、(d=9.0\times10^{-4})，驱动变量偏度为0.319，标准误约0.040。³²³³
• 论文当前结论是：记忆尾部与杠杆期限结构得到支持，短期尺度解耦尚未确认或证伪，行业级或专有数据以及后续风险中性校准仍是必要验证方向。³⁵³⁶

一、报告元数据与总体概览

报告标题：《Beyond Rough Volatility: Decoupling Memory and Scaling via a Generalized Langevin Equation》（《超越粗糙波动率：通过广义朗之万方程解耦记忆与尺度》）。作者为纽约大学 Tandon School of Engineering、FRE 部门的 Andrey Itkin，报告日期为 2026 年 9 月 18 日。¹ 报告主题不是某一家公司的投资评级，而是金融随机波动率建模，核心对象包括粗糙波动率、分数布朗运动、广义朗之万方程（GLE）、记忆核、波动率潜变量、SPX–VIX 联合校准以及物理测度下的经验检验。¹, ⁴

报告没有给出传统意义上的“买入/持有/卖出”评级，也没有股票目标价，因为它是一篇模型和实证方法研究，而不是单一证券研究报告。¹, ⁴ 作者的中心论点是：粗糙波动率模型用一个 Hurst 指数 (H) 同时决定局部粗糙程度和记忆结构，这一约束可能过强；GLE 则通过分别设定记忆核 (K)、势函数 (U) 和噪声协方差 (C)，将“尺度”“记忆”“非高斯性”和“非平衡性”拆开建模。¹, ²

报告的总体结论具有明显的“部分支持、部分保留”特征：实证数据拒绝了无记忆杠杆效应以及时间反演对称性，但没有成功识别短时记忆指数 (\beta_0)，因此既没有确认也没有否定粗糙波动率的核心约束 (\beta_0=\beta_\infty)。¹, ³⁵ 报告还明确承认，风险中性测度下的定价构造及 SPX–VIX 联合校准尚未完成，需留待配套论文。⁴, ³⁶

二、引言：粗糙波动率的结构性局限

2.1 粗糙波动率为何重要

报告首先回顾了粗糙波动率的经验基础：在粗糙随机波动率模型中，(\log\sigma_t) 通常由 Hurst 指数约为 (H=0.1) 的分数布朗运动驱动，而普通布朗运动对应 (H=1/2)。较小的 (H) 意味着波动率路径在局部更加不规则，同时模型具有非马尔可夫性。¹

作者认为，粗糙模型能够解释两类现象：第一，已实现波动率时间序列表现出的局部粗糙性；第二，股票期权近价隐含波动率偏斜在期限缩短时明显变陡。¹ 报告还强调了微观结构理论的支持，即具有重尾激励核、接近不稳定状态的 Hawkes 过程，在适当缩放后可以收敛到粗糙 Heston 模型；无套利条件也会推动市场冲击函数呈现幂律衰减。¹

但作者指出，分数布朗运动的单一参数 (H) 实际承担了两个逻辑上独立的任务：一是决定时间尺度放大时波动如何增长，即自相似或尺度指数；二是决定局部增量和历史依赖的形态，即粗糙程度与记忆结构。¹ 这意味着，在标准粗糙模型中，不能在保持局部尺度不变的情况下增强长期记忆，也不能在保持记忆形态不变的情况下改变局部粗糙程度。¹, ²

2.2 GLE 的基本结构

GLE 将波动率写成潜在过程 (Y_t) 的函数：

[ V_t=\phi(Y_t), ]

其中取 (\phi(y)=e^y) 可以自动保证即时方差为正。², ⁷ (Y_t) 本身没有直接的市场含义，而是一个驱动方差的潜变量。²

GLE 的动力学包含四个核心部分：

1. 惯性项 (m\ddot Y_t)： (m>0) 时，潜变量具有动量；(m=0) 时为过阻尼情形，没有自身动量。²
2. 记忆核 (K)： 记忆核与过去的速度 (\dot Y_s) 卷积，衡量历史变化对当前变化的阻滞程度；集中在零点的核对应无记忆扩散，重尾核则表示远期历史仍然具有影响。²
3. 势函数 (U)： (U'(Y_t)) 是恢复力，将 (Y_t) 拉回势函数最低点，因此势函数曲率承担均值回复作用。²
4. 噪声 (\xi_t)： 是均值为零的平稳高斯过程，协方差为 (C(t)=E[\xi_t\xi_0])。噪声可以是白噪声，也可以是有色噪声。², ⁵

GLE 与传统物理模型的关键不同，是报告不强制噪声协方差 (C) 与摩擦记忆核 (K) 满足涨落—耗散关系（FDT）：

[ C=\Theta K. ]

在物理均衡体系中，该关系意味着耗散与噪声注入能量由同一个历史机制决定；但作者认为金融市场不是热力学均衡系统，因此 (C) 和 (K) 应作为两个独立函数估计。², ⁴, ⁵

报告由此区分三种情形：

• 无热或非均衡情形： 噪声为白噪声，但摩擦核具有长期记忆，因而所有记忆都在 (K) 中。
• 均衡情形： (C=\Theta K)，记忆摩擦与有色噪声具有相同结构。
• 一般非均衡情形： (C) 与 (K) 完全解耦，这是报告实际校准和检验的主要方向。⁵

这一结构还具有识别意义：对外部小扰动的平均响应主要由 (K) 和恢复力决定，而平稳自协方差则同时受 (K) 与 (C) 影响，因此原则上可以用响应识别记忆核、用波动识别噪声，再通过二者差异测量系统距离均衡的程度。⁵

三、粗糙波动率如何成为 GLE 的受限角点

3.1 两种角点与 Hurst 指数

报告在过阻尼、线性恢复的条件下分析响应函数：

[ G(z)=\frac{1}{zK(z)+\lambda}. ]

对于幂律摩擦核

[ K(t)=\frac{t^{-\alpha}}{\Gamma(1-\alpha)}, ]

其拉普拉斯变换满足 (K(z)=z^{\alpha-1})。⁹, ³⁹

在非均衡白噪声角点中，响应在短期近似为分数核，驱动过程谱密度满足 (S_Y(\omega)\sim |\omega|^{-2\alpha})，从而得到：

[ H=\alpha-\frac12. ]

当 (H=0.1) 时，必须有 (\alpha=0.6)。⁹, ³⁹

在均衡 FDT 角点中，噪声自身具有谱密度 (S_\xi(\omega)\propto |\omega|^{\alpha-1})，与响应函数相乘后得到 (S_Y(\omega)\sim |\omega|^{-(\alpha+1)})，因此：

[ H=\frac{\alpha}{2}. ]

若仍然要求 (H=0.1)，则 (\alpha=0.2)，同时噪声本身的 Hurst 指数约为 (H_\xi=0.9)，呈现强持久性。¹⁰, ³⁹

这说明，两个完全不同的动力学结构可以产生相同的 (H=0.1)，因而产生相同的短期限权隐含波动率偏斜；但前者的摩擦指数为 0.6、噪声是白噪声，后者的摩擦指数为 0.2、噪声是长记忆噪声。¹⁰ 单纯依赖期权波动率曲面无法区分它们，必须观察噪声与响应之间的关系。¹⁰, ¹⁴

3.2 Lamperti 变换与“参数焊接”

作者用 Lamperti 变换将自相似过程转化为平稳过程：

[ \tau=\log t,\qquad Y(\tau)=e^{-H\tau}X(e^\tau). ]

这是必要步骤，因为非平稳的自相似过程不能直接使用通常意义的平稳记忆核。², ¹⁰

对于 Hurst 指数为 (H) 的分数布朗运动，Lamperti 变换后的核在短滞后附近具有与 (2H) 相关的幂律奇异性，因此固定 (H) 就同时固定了记忆核的局部指数。¹⁰, ⁴⁰ 报告把这种关系称为“指数焊接”：粗糙波动率不是只选择了局部粗糙度，而是隐含选择了某一种记忆结构。¹⁰

GLE 的自由记忆核则允许尺度指数和记忆指数分别变化，这就是题目中“Decoupling Memory and Scaling”的具体数学含义。¹⁰

3.3 ADO 构造：另一种极端角点

报告还分析了 Carr 和 Itkin 所采用的 ADO 构造。该构造通过时间变换将过程转化为 Lamperti 时间下的 Ornstein–Uhlenbeck 过程，其 Lamperti 记忆核实际上是一个 (\delta) 函数，即没有长期记忆。¹¹, ⁴¹

这形成了与粗糙波动率相反的极端：粗糙模型把记忆核指数锁定在 Hurst 指数上，而 ADO 模型完全移除记忆核。¹¹ 尽管如此，ADO 模型仍可以在交易期限范围内拟合观察到的偏斜，其经验幂律指数约为 (b\approx2.3)，而不是纯分数模型预测的 (b=1)。¹¹

作者特别强调，ADO 的拟合幂律只适用于有限交易期限，不能外推至零期限；精确模型在 (T\to0) 时偏斜会转为有限值，而不是无穷发散。¹¹ 这给出一个重要限制：即便没有长期记忆，也可能在实际交易期限内复制相当多的粗糙波动率现象，因此不能仅凭期权偏斜形状断言记忆机制。¹¹

四、记忆核如何被测量

4.1 频谱估计和图 1

报告首先使用模拟数据验证记忆指数估计器，而不是直接声称市场数据已经解决了全部识别问题。¹²

图 1 展示了两个方面：

• 面板（a）展示样本长度 (N) 与估计摩擦指数 (\hat\alpha_K) 的关系，真实值分别为 0.6 和 0.7，对应驱动过程 Hurst 指数 0.1 和 0.2。
• 面板（b）展示估计标准差随样本长度按照 (N^{-1/2}) 下降的关系。

图中两组估计值都围绕真实值稳定分布，报告称偏差小于 0.001；当样本从 (2^{16}) 增长到 (2^{22}) 时，标准差从约 0.013 降至约 0.002。¹², ¹³ 这说明在已知数据生成机制、噪声为白噪声且核为单一幂律的前提下，指数估计具有良好统计性质；如果要以三倍标准差区分 (\alpha=0.6) 与 (\alpha=0.5)，大约需要 (10^5) 量级的观测。¹²

但图 1 不能被解释为市场识别已经成功，因为它是已知真实参数的模拟实验。¹² 同时，图 1 的估计器默认纯幂律核和白噪声；如果噪声遵循 FDT 而具有颜色，谱斜率会改变，直接套用该估计器可能把噪声结构误判为摩擦指数。¹³

4.2 FDT 比率和图 2

报告提出用频率依赖的 FDT 比率 (X(\omega)) 判断系统是否处于均衡。均衡状态要求该比率在频率上保持平坦；非均衡状态则会表现出明显的频率依赖。¹⁴

图 2 面板（a）比较两个都具有 (H=0.1) 的模型：白噪声、(\alpha=0.6) 的非均衡模型，以及 FDT 噪声、(\alpha=0.2) 的均衡模型。两者响应谱基本重合，均表现为 (\omega^{-1.2}) 的高频衰减。¹⁴ 这说明只看响应谱或期权表面，两个模型几乎不可区分。

图 2 面板（b）则显示 FDT 比率具有明显区分能力：均衡模型的 (X(\omega)) 围绕 1 附近平坦，log 标准差约为 0.02；非均衡模型的比率随频率显著变化，log-spread 约为 0.34。¹⁴ 该图支持报告的关键观点：期权曲面主要反映响应或尺度，而噪声—摩擦关系包含了期权表面遗漏的识别信息。

报告还指出，传统基于已实现波动率增量估计 (H) 的方法，在模拟非均衡数据中得到的 (H) 可能落在 0.15–0.19，而真实值为 0.1；这说明短滞后微观结构或代理误差会污染粗糙度估计。¹⁴ 但作者并未因此断言粗糙波动率不存在，而是更谨慎地认为：即使 (H) 被精确估计，它仍然只是尺度指数，不足以识别完整的记忆核。¹⁵, ¹⁶

五、双指数记忆核与联合 SPX–VIX 问题

5.1 短期指数与长期指数

报告提出双指数记忆核，其中：

• (\beta_0) 描述短滞后、 高频率下的局部行为；
• (\beta_\infty) 或 (\beta) 描述长期尾部衰减；
• (1/\mu) 是两个区间之间的交叉尺度。¹⁶

当高频部分由 (\beta_0) 主导时，响应函数近似 (G(z)\sim z^{-\beta_0})，驱动过程的局部 Hurst 指数约为 (\beta_0-\frac12)，短期 ATM 偏斜则按照

[ S(T)\propto T^{\beta_0-1} ]

变化。¹⁶ 因此，若 (\beta_0) 在 (1/2) 与 1 之间，短期限偏斜会发散，属于粗糙短端；若核在零点有界或含普通 Markov 部分，则过程具有半鞅性质，偏斜在零期限趋于有限值。¹⁷

长期指数 (\beta_\infty) 则决定记忆尾部和远期方差曲线的衰减速度，因此更直接地影响 VIX 期货所反映的远期方差期限结构。¹⁶ 这使 SPX 短端偏斜和 VIX 远期方差具有各自独立的动力学参数，而不是被同一个 (H) 强制绑定。¹⁶

报告并没有实证决定短端究竟是发散还是饱和，而是把两者作为互斥、可检验的经验假设：SPX 极短期期权偏斜的实际行为将决定哪一种解释更合理。¹⁷

5.2 为什么 VIX 不提供相关系数 (\rho)

若方差驱动 (Y) 是自治的，不依赖价格 (S) 或价格布朗运动，那么 VIX 只依赖方差路径，而不依赖价格—方差即时相关系数 (\rho)。¹⁷, ⁴², ⁴³ 因此，VIX 期货和 VIX 期权不能用于识别 (\rho)，而 (\rho) 主要用于解释 SPX 偏斜。¹⁷

这造成传统模型中的参数拥挤：波动率波动参数既要解释 VIX 微笑，又要配合 (\rho) 解释 SPX 偏斜；在二次势函数下，往往只有一个主要的波动率波动参数承担这两项任务。¹⁷, ¹⁹

报告的解决方案是引入非二次势函数。势函数的三阶导数 (U'''(Y)) 可以改变方差平稳分布的偏度，从而为 VIX 一侧提供独立调节工具，而不直接改变价格—方差相关性 (\rho)。³, ¹⁹

六、势函数、非高斯性和表格分析

6.1 为什么非二次势函数不是简单的静态变换

在二次势函数下，(Y) 是高斯过程，记忆核只改变协方差结构。¹⁸ 通过静态分位数变换可以让高斯过程和双稳态扩散具有相同的一维边际分布，甚至匹配积分自相关时间，但不能匹配两种状态之间的动态停留时间。¹⁸, ⁴¹

双稳态势函数的优势在于它能通过能垒高度 (\Delta U) 控制状态持续时间，平均停留时间大致按 (e^{\Delta U/\Theta}) 增长；静态变换不存在这种激活型停留时间机制。²⁰ 因此，势函数不仅用于产生偏度，也用于表达平静和压力波动状态的动态持续性。

6.2 表 2：非对称性对方差分布的影响

表 2考察 (V=e^Y) 的平稳矩和偏度如何随势函数三次项系数 (c_3) 变化，固定 (a=d=\sigma=1)。当 (c_3) 从 0 变为 -2 时，方差偏度从 1.30 上升至 1.58，均值从 1.15 上升至 1.39。¹⁹, ²⁰

该表的经济含义是：改变 (c_3) 可以单独改变方差分布的非对称性，而不必使用 (\rho) 去同时承担 VIX 和 SPX 两侧的拟合任务。¹⁹ 但表中结果仍是物理测度下的分布性质，不能直接等同于 VIX 风险中性隐含波动率微笑；作者明确把该映射留给配套论文。¹⁹

报告还指出，三次项不能单独提供全局约束，因为纯三次势函数在无穷远处不具有良好封闭性，所以必须配合正的四次项 (d)。当三次项过大时，可能出现第二个驻点甚至双稳态，且其可行边界取决于 (c_3) 相对于 (a,d) 的比例，而不是仅由 (c_3) 单独决定。¹⁹

七、惯性、Markov 化与二维杠杆效应

7.1 惯性和前向方差“驼峰”

在过阻尼且记忆核完全单调时，响应函数也保持完全单调，意味着冲击后的前向方差响应会平稳、单调地衰减。²¹ 但当加入 (m>0) 的惯性时，即便原始记忆核本身是完全单调的，响应函数也可能出现复特征根、振荡甚至变号。²¹, ⁴³

作者通过有限个指数之和近似记忆核：

[ K(t)=\sum_{i=1}^N w_i e^{-\alpha_i t}, ]

并为每个指数引入一个辅助状态，从而把非马尔可夫系统转化为 (N+2) 维 Markov 系统。⁶, ²¹, ²² 这种 Markovian lift 既可用于模拟，也可用于数值定价；误差由时间离散误差和记忆核 Prony 近似误差共同决定。²²

7.2 价格—方差记忆矩阵

二维系统中，记忆核矩阵的四个元素分别代表价格自身记忆、价格对方差的影响、方差对价格的杠杆效应，以及方差自身记忆。²² 无套利要求风险中性测度下贴现价格是局部鞅，因此价格方程中的自记忆项和方差到价格的可预测漂移项必须消失，即 (K_{XX}=K_{XY}=0)；而 (K_{YX}) 和 (K_{YY}) 不受这一条件直接约束。²², ⁴⁴

这使允许的核矩阵呈下三角结构。报告进一步指出，均衡 GLE 要求 Onsager 互易性，即两个交叉核满足对称关系；但无套利又要求其中一个交叉项为零，而实际杠杆效应要求另一个不为零，因此金融市场不可能满足严格的均衡 FDT 条件。²³

7.3 表 3：杠杆记忆对方差分布的影响

表 3研究杠杆核幅度 (g) 增大时，(\rho) 从 0 变为 -0.9 对方差均值和标准差的影响。²⁵, ²⁶ 当 (g=0) 时，方差驱动自治，VIX 对 (\rho) 完全不敏感；当 (g) 增大后，方差均值和波动性会产生变化，但即使在强杠杆记忆下，远期方差水平变化仍小于 1%，方差离散程度变化仅为几个百分点。²⁵

该结果说明，加入记忆杠杆后，VIX 对 (\rho) 不再严格完全免疫，但敏感度仍然较弱，并且大体随杠杆核幅度线性增加。²⁵ 因而 (\rho) 依旧主要是 SPX 一侧的工具，而势函数非对称性仍然是调整 VIX 分布的重要机制。

八、物理测度实证结果

8.1 表 4、表 5 与图 3：短端指数未被识别

报告使用 FI-2010 限价订单簿数据，提取 15,000 个观测，以 200 个事件的滚动窗口估计订单流冲击与实现方差响应。²⁷ 采用 NUTS Hamiltonian Monte Carlo，对双指数响应模型进行贝叶斯估计。

表 4的主要结论是：幅度参数被强烈识别，尾部指数 (\beta) 也具有一定数据识别能力；但短期指数 (\beta_0) 和交叉尺度 (\mu) 基本没有被似然函数识别。²⁷, ²⁸ (\beta_0) 的后验标准差几乎等于先验标准差，意味着后验主要重复先验信息；相反，(\beta) 的均值从先验约 0.70 移至约 0.799，说明长期尾部存在较慢的代数衰减。²⁷

表 5通过更换先验进一步验证这一点：允许似然发挥作用的不同先验下，尾部指数都稳定在约 0.80，而短期指数则跟随各自的先验中心变化。²⁷, ²⁸ 这是一项重要的识别诊断：数据测到了长期记忆，但没有测到局部短时结构。

图 3展示 (\Delta\beta=\beta_0-\beta_\infty) 的后验分布：

图中“可接受先验”对应的 95% 最高密度区间约为 ([-0.473,0.266])，包含零，因此不能拒绝粗糙约束 (\beta_0=\beta_\infty)。²⁸, ²⁹ 但作者也特别强调，不能把“不拒绝”解读成“已经证明相等”，因为短端参数未被识别，区间宽度本身就是非识别的证据。²⁸

在 AAPL 的高频 NBBO 数据中，尾部指数估计约为 0.871，短端指数仍由先验驱动，粗糙约束同样未被拒绝。²⁹ 其他外汇、加密货币和低频比特币数据也未能解决短端识别问题，作者认为原因在于订单流代理变量与真正潜在驱动噪声的相关性太弱。³⁰

因此，T2 并不是一个成功拒绝粗糙约束的检验，而是揭示了当前物理测度数据的识别边界：需要更长的滞后跨度，或者转向风险中性期权数据，才能分别观察短端和长端。³⁰, ³⁵

8.2 表 6：FDT 检验的统计功效

表 6不是市场数据结果，而是对 T3 检验能力的模拟评估。³⁰, ³¹ 在 (H=0.1) 的均衡与非均衡两种角点之间，方向性谱斜率统计量在样本量 (N=4096) 时即可达到完全区分能力，估计斜率约为 -0.40。³⁰

不过，报告指出，FDT 检验对记忆核指数误差非常敏感：如果核指数存在误差 (\delta)，则 FDT 比率的谱斜率会产生一比一的偏差；即使真实数据来自均衡模型，错误估计的核也可能制造出“非均衡”信号。³⁰ 因此 T3 必须在尾部指数已可靠识别的频带上实施，而本报告尚未在真实市场数据上执行该检验。³¹, ³⁵

8.3 前向方差驼峰检验

T4 使用带有信息性先验的核来测试响应是否在正滞后处出现局部峰值。³¹ 结果显示过冲统计量 (O=0)，95% 区间也是 ([0,0])，出现正过冲的后验概率为 0。³¹

这意味着 FI-2010 数据下的物理测度记忆核表现为严格单调衰减，没有明显的惯性型前向方差驼峰。³¹ 但需要注意，(\beta_0) 在这一部分仍然是先验驱动的，因此该结果主要是对核形状是否出现过冲的检验，而不是对短端指数的独立确认。³¹

8.4 表 7：障碍跨越和双稳态检验

表 7搜索 SPY 和其他股票的已实现波动率是否存在可识别的双稳态结构，以便使用 Grote–Hynes 关系对记忆核进行独立交叉验证。³²

该方法将静态分布估计出的势阱曲率与能垒高度，与动态时间序列估计出的记忆核结合，预测状态转换率，再与实际观察到的转换次数比较。³² 但表中所有配置的“存在样本支持内第二极小值”的似然比统计量都为零，说明没有发现样本支持范围内的显著双稳态。³²

SPY 日频结果估计出 (a=1.017)、(c_3=-0.127)、(d=9.0\times10^{-4})，驱动变量偏度约为 0.319，标准误约为 0.040，达到约八个标准误，说明分布非对称性非常明显。³³ 另一方面，四次项 (d) 并未被同等程度地识别，主要承担全局封闭和尾部控制作用。³³

表 7 的“没有双稳态”不能解释为“市场绝不存在状态转换”，因为样本只能识别最高约 2.43 个温度单位的能垒；更高的能垒可能在观察期内没有足够多的转换事件。³³ 因此作者把结果表述为一个可检测范围内的上界，而不是绝对否定。

8.5 表 8：杠杆记忆与 Zumbach 效应

表 8报告了 T5 和 T6 的实际检验结果。³⁴

在 3,773 个日频 SPY 观测中，杠杆项的统计量 (L=10.7580)，高于模拟无记忆假设的 95% 分位数 7.7713，p 值为 0.0000，因此拒绝 (K_{YX}=\rho\delta) 的瞬时杠杆模型。³⁴ 这支持杠杆效应具有多日记忆结构，而非仅仅由一个即时相关系数描述。

在 FI-2010 六只股票合并的 217,404 个高频事件中，Zumbach 时间反演对称性检验同样得到 p 值 0.0000。³⁴ 其含义是，过去收益对未来波动率的影响强于过去波动率对未来平方收益的反向影响，即 (K_{YX}) 强于 (K_{XY})。²⁴, ³⁴ 这是报告实证上最有力的结果之一，因为它同时支持杠杆记忆、时间反演不对称和无套利下三角记忆结构。

九、风险因素与局限性评估

报告识别出的主要风险并非信用风险或市场风险，而是模型识别和外推风险：

• 短端非识别风险： (\beta_0) 与 (\mu) 在当前数据窗口内存在平坦似然方向，短端指数可能完全由先验决定。²⁸, ²⁹
• 代理变量风险： 已实现方差和订单流冲击并非直接观察到的潜在变量，微观结构噪声、买卖价反弹和离散价格网格可能掩盖超短期记忆。³⁵
• 先验依赖风险： 若先验本身倾向于指数分离，后验可能显示出虚假的 (\beta_0\neq\beta_\infty)。²⁸, ³¹
• 测度转换风险： 物理测度下估计的记忆核、势函数和杠杆方向，不能自动等同于风险中性定价下的对象；非交易的方差驱动需要额外的风险溢价构造。⁴, ²⁰
• FDT 检验误判风险： 记忆核指数估计误差会直接污染 FDT 比率的频率斜率。³⁰
• 双稳态交叉验证风险： 表 7 的障碍检验依赖于存在可观测的元稳定状态，若市场没有足够长的样本或转换次数，独立验证就无法实施。³², ³³
• 模型复杂度风险： 引入非二次势函数后，仿射结构和 Riccati–Volterra 工具失效，定价需要 Markov lift 上的蒙特卡洛或 PDE，计算复杂度和参数风险都会增加。²⁰

十、批判性分析与内部细节

第一，报告对结论边界的处理总体较为审慎。它没有把 FI-2010 的长期指数识别结果夸大为已经证明粗糙波动率错误，反而明确承认 (\beta_0) 未被识别，粗糙约束既未确认也未证伪。²⁸, ²⁹

第二，报告存在“理论检验能力强于真实数据执行程度”的不对称。T3 在模拟中具有很高统计功效，但没有在市场数据上真正运行；障碍跨越检验也因没有发现双稳态而未能完成记忆核的独立动态验证。³¹, ³² 因此“非均衡性可检验”目前是方法论结论，而不是完整的市场实证结论。

第三，报告同时强调尾部指数在不同数据集上稳定可识别，又指出其水平会随采样频率和方差窗口变化，例如 FI-2010 约为 0.80、AAPL 约为 0.871。²⁹ 这并非必然矛盾，但说明“可识别”不等于“跨数据集结构参数恒定”；尾部指数可能同时包含真实资产差异、采样尺度差异和代理变量差异。

第四，报告在若干公式和排版处存在明显转录缺失，例如部分方程、表格具体数值和符号在所提供文本中未完整呈现，因此对某些结论只能依据正文描述，而不能复算全部计算过程。², ⁹, ¹⁹ 这尤其影响表 1、表 4、表 5、表 6、表 7 和表 8 的逐项数值审阅；分析可以确认其叙述性结论，但不应虚构未显示的完整表格内容。

第五，报告将非二次势函数视为 VIX 侧的额外自由度，这在模型结构上合理，但它是否能显著改善风险中性 SPX–VIX 联合拟合，尚未由本文证明。¹⁹, ²⁰ 真正的模型竞争必须等到配套论文把新增参数的改进幅度与等参数数量的无记忆模型进行比较之后才能判断。²⁶

十一、综合结论

这篇报告最重要的贡献，是把“粗糙性”“尺度”和“记忆”从一个 Hurst 指数中拆分出来，并建立一个包含记忆核 (K)、噪声协方差 (C)、势函数 (U) 和潜在方差驱动 (Y) 的广义朗之万框架。¹, ³⁵ 粗糙波动率和 ADO 模型被重新解释为该框架中的两个极端角点：前者把记忆指数与尺度指数焊接起来，后者则基本没有记忆核。¹¹

图 1 证明了在模拟环境下记忆指数可以被无偏估计，图 2 证明了响应相同的模型可以通过 FDT 比率区分，图 3 则直观展示了实际数据对短端指数差异缺乏识别能力。¹³, ¹⁴, ²⁹ 表 2 说明势函数的非对称项能够调整方差分布偏度，表 3 表明带记忆的杠杆会使 VIX 对 (\rho) 产生有限但较弱的敏感性；表 7 说明当前 SPY 数据没有足够证据支持样本范围内的双稳态；表 8 则强烈拒绝瞬时杠杆和时间反演对称性。²⁰, ²⁶, ³², ³⁴

最终，作者并不是说“粗糙波动率已经被推翻”，而是说传统粗糙度估计只测量了自相似指数，不能单独证明记忆核的存在或形状。¹⁵, ¹⁶ 本文的物理测度证据已经支持长期代数记忆和带期限结构的杠杆效应，但短期尺度与粗糙约束仍需风险中性期权数据来识别。³⁵, ³⁶ 因此，报告的总体立场是：GLE 是一个更具结构自由度、可被经验证伪的候选框架；它已经通过部分关键检验，但最终是否优于粗糙波动率或一因子 Markov 模型，必须等待 SPX–VIX 联合定价与校准结果。