Hierarchical DCC-HEAVY Model for High-Dimensional Covariance Matrices
用于高维协方差矩阵的层级 DCC-HEAVY 模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确涉及资产协方差动态、层级因子模型及高频数据构造的已实现测度。
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…
关注这篇论文的作者
用于高维协方差矩阵的层级 DCC-HEAVY 模型
- 研究问题
- 如何利用高频数据构造的已实现测度，对大量资产的协方差矩阵建模和预测，同时控制估计复杂度并刻画协方差的非对称动态？
- 方法与思路
- 作者提出层级因子型 HD DCC-HEAVY 模型，将高频已实现测度纳入高维协方差动态，并给出摘要称不依赖资产横截面维度的估计与预测方案。
- 材料陈述的贡献
- 摘要称，新模型相对既有层级因子模型及标准基准改善样本内拟合，并取得统计和经济意义上的样本外增益，结果覆盖不同频率和市场环境。
- 阅读关注点
- 应核对层级因子结构、非对称动态设定和已实现测度构造，明确维度无关的计算环节，并检查预测基准、经济评价指标与样本外设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未提供资产样本、损失函数及增益数值，不能独立确认优势大小或适用范围。
原文摘要
We introduce a HD DCC-HEAVY class of hierarchical-type factor models for high-dimensional covariance matrices, employing the realized measures built from higher-frequency data. The modelling approach features straightforward estimation and forecasting schemes, independent of the cross-sectional dimension of the assets under consideration, and accounts for sophisticated asymmetric dynamics in the covariances. Empirical analyses suggest that the HD DCC-HEAVY models have a better in-sample fit and deliver statistically and economically significant out-of-sample gains relative to the existing hierarchical factor model and standard benchmarks. The results are robust under different frequencies and market conditions.