A Score-Driven Conditional Correlation Model for Noisy and Asynchronous Data: An Application to High-Frequency Covariance Dynamics
含噪声与异步数据的得分驱动条件相关模型：高频协方差动态应用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：摘要明确处理高频交易噪声、异步观测及日内协方差动态，直接对应高频计量与波动率。
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…
含噪声与异步数据的得分驱动条件相关模型：高频协方差动态应用
- 研究问题
- 在异步交易和市场微观结构噪声并存时，如何利用高频价格数据估计日内协方差动态，并跟踪相关性随时间的变化？
- 方法与思路
- 作者以多元局部水平模型描述日内对数价格，用得分驱动协方差更新；将异步交易作为缺失值处理，并用标准极大似然估计。
- 材料陈述的贡献
- 摘要称，方法利用全部可用数据并计入噪声；纽约证交所一秒数据应用显示，开盘时特质风险占主导，市场因子在日间后半段逐步显现。
- 阅读关注点
- 核对状态与噪声设定、得分更新和缺失观测处理，并考察宏观新闻响应及短周期组合构建等所提用途获得了哪些实证支持。
- 阅读边界
- 摘要未说明噪声分布、缺失机制及模型错设时的表现；日内风险规律来自该样本，所提实时监测用途仍需核对验证范围。
原文摘要
The analysis of the intraday dynamics of covariances among high-frequency returns is challenging due to asynchronous trading and market microstructure noise. Both effects lead to significant data reduction and may severely affect the estimation of the covariances if traditional methods for low-frequency data are employed. We propose to model intraday log-prices through a multivariate local-level model with score-driven covariance matrices and to treat asynchronicity as a missing value problem. The main advantages of this approach are: (i) all available data are used when filtering the covariances, (ii) market microstructure noise is taken into account, (iii) estimation is performed by standard maximum likelihood. Our empirical analysis, performed on 1-sec NYSE data, shows that opening hours are dominated by idiosyncratic risk and that a market factor progressively emerges in the second part of the day. The method can be used as a nowcasting tool for high-frequency data, allowing to study the real-time response of covariances to macro-news announcements and to build intraday portfolios with very short optimization horizons.