Corsi (2009) — A Simple Approximate Long-Memory Model of Realized Volatility

大白话：这篇论文提出 HAR-RV 模型：把日、周、月三个时间尺度的实现波动率做加权和，就近似出了长记忆过程——只用普通最小二乘估计，在三个尺度的波动率预测上都接近比 ARFIMA、FIGARCH 这类复杂模型更好的效果。

占位 entity — JDQS 2026 论文 HAR-RV 基准的来源, 是 Andersen-Bollerslev-Diebold-Labys 2003 长期记忆性的简化实现。

完整引用：Corsi, F. (2009). A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics, 7(2), 174–196.

核心贡献:

• 提出 异质自回归实现波动率（Heterogeneous Autoregressive Realized Volatility, HAR-RV） 模型： RV_{t+1} = \beta_0 + \beta_D RV_t + \beta_W \bar{RV}_{t-4:t} + \beta_M \bar{RV}_{t-21:t} + \epsilon_{t+1} 其中 RV_t = 日频 RV, \bar{RV}_{t-4:t} = 5 日均值, \bar{RV}_{t-21:t} = 22 日均值。
• 三个时间尺度（日 / 周 / 月）的简单加权和近似长记忆（ARFIMA 风格）→ 简单 OLS 估计 + 仍能捕捉长记忆性质。
• 论证 HAR-RV 在日 / 周 / 月三个期限的波动率预测上接近最优（对比更复杂的 ARFIMA / FIGARCH）。

对 JDQS 2026 论文的角色:

• Normal-HAR 是论文 10 个基准之一，样本外 Brier 0.0436。
• 与 Logit-HAR（0.0444）一起，是论文论证 "concentration (HHI) adds calibration quality that volatility-level models cannot replicate"（集中度提供了波动率水平模型无法复制的校准质量） 的对照基准。
• 也是正态尾部 + RV 框架的代表性实现——论文论证正态尾部假设在低波动率十分位上的 100 倍校准失准在 HAR 框架下同样存在（因为正态尾部才是核心问题）。

衍生文献:

• JDQS 2026 Intraday Variance Concentration Crash —— HHIt 是 HAR-RV 的形状补充（r ≈ -0.11，与水平无关）。
• HAR-RV 的衍生：HAR-RV-J（含跳跃）、HAR-RV-CJ（连续 + 跳跃）、HAR-RV-SJ（带符号跳跃）——后续扩展。
• 实务中：realized vol forecasting 行业的默认首选模型，比 GARCH 更简单 + 更鲁棒 + 对长记忆友好。