Functional data analysis for volatility
波动率的函数型数据分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以金融高频交易观测和日内波动率轨迹为对象，直接对应金融波动率建模与高频计量方法。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
波动率的函数型数据分析
- 研究问题
- 如何将金融市场高频观测中的波动率轨迹作为函数型对象建模，并据此识别重复出现的日内模式和预测未来波动率？
- 方法与思路
- 作者提出函数型波动率过程，讨论其函数表示和重复观测下的数据恢复，并结合高频渐近分析、模拟及函数型回归开展应用。
- 材料陈述的贡献
- 摘要称所提模型有助于识别重复波动率模式，并通过函数型回归与预测技术预测未来波动率；应用对象为标普五百指数的日内波动。
- 阅读关注点
- 应核对函数型过程的定义、从交易观测恢复波动率轨迹的步骤、交易频率增加时的渐近条件，以及预测评价的样本划分和比较基准。
- 阅读边界
- 解读限于所给出版社摘要；市场微观结构噪声的处理、预测误差和比较基准未说明，不能据此量化预测改善或判断跨市场表现。
原文摘要
We introduce a functional volatility process for modeling volatility trajectories for high frequency observations in financial markets and describe functional representations and data-based recovery of the process from repeated observations. A study of its asymptotic properties, as the frequency of observed trades increases, is complemented by simulations and an application to the analysis of intra-day volatility patterns of the S&P 500 index. The proposed volatility model is found to be useful to identify recurring patterns of volatility and for successful prediction of future volatility, through the application of functional regression and prediction techniques.