A frecuencias muy altas, el precio observado no es un movimiento browniano limpio: está contaminado por fenómenos puramente mecánicos de la negociación —el bid-ask bounce (el precio de la última operación salta entre el precio de compra y el de venta según quién iniciara la operación, sin que el valor "verdadero" del activo haya cambiado), la discreción del tick de precio mínimo, o la propia latencia de las plataformas de negociación—.
El modelo habitual para representar este fenómeno descompone el precio observado en dos partes:
con $p^{*}$ el precio eficiente (el que seguiría un movimiento browniano puro, sin fricciones de mercado) y $u$ el ruido de microestructura, de varianza $\eta^2$. Hansen y Lunde (2006) muestran que este ruido, aunque pequeño en cada observación individual, se acumula en la suma de cuadrados de la volatilidad realizada y sesga el estimador al alza cuanto mayor es el número de subintervalos M utilizados:
Esta app aísla el efecto del propio nivel de ruido $\eta$ manteniendo la frecuencia de muestreo fija: simula un precio eficiente intradiario mediante un movimiento browniano discretizado al segundo, le añade ruido de microestructura de magnitud controlada por el slider, y muestra cómo el sesgo de la RV calculada a alta frecuencia crece con $\eta$, mientras que la RV calculada a baja frecuencia —donde M es pequeño— permanece prácticamente insensible al mismo ruido.
Relación con la app anterior: la app de frecuencia de muestreo (signature plot) fija el nivel de ruido y hace variar M; esta app fija dos niveles de M (alta y baja frecuencia) y hace variar el nivel de ruido η, para separar con claridad los dos factores —M y η²— que, multiplicados, determinan la magnitud del sesgo 2Mη².