ESTIMATION OF TIME-VARYING COVARIANCE MATRICES FOR LARGE DATASETS
大规模数据的时变协方差矩阵估计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：摘要直接估计时变协方差矩阵，并将其用于最小方差投资组合，支持金融波动率方向。
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…
大规模数据的时变协方差矩阵估计
- 研究问题
- 面对宏观和金融大规模数据中的时变性、依赖与重尾分布，如何估计稀疏协方差矩阵并保持程序的稳健性？
- 方法与思路
- 作者将大规模稀疏协方差正则化扩展为非参数方法，研究稳健阈值化，并推导适用于依赖无界变量的 Bernstein 型不等式。
- 材料陈述的贡献
- 摘要称给出兼顾时变、依赖和重尾的估计理论及概率不等式，并通过模拟和最小方差组合应用与其他估计量比较。
- 阅读关注点
- 应核对局部平滑与阈值的选取、稀疏性和尾部条件、允许的依赖强度，以及组合应用中协方差误差的评价方式。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确认对所有重尾或依赖过程均稳健，也不能量化相对估计优势或推断其他版本变化。
原文摘要
Time variation is a fundamental problem in statistical and econometric analysis of macroeconomic and financial data. Recently, there has been considerable focus on developing econometric modelling that enables stochastic structural change in model parameters and on model estimation by Bayesian or nonparametric kernel methods. In the context of the estimation of covariance matrices of large dimensional panels, such data requires taking into account time variation, possible dependence and heavy-tailed distributions. In this paper, we introduce a nonparametric version of regularization techniques for sparse large covariance matrices, developed by Bickel and Levina (2008) and others. We focus on the robustness of such a procedure to time variation, dependence and heavy-tailedness of distributions. The paper includes a set of results on Bernstein type inequalities for dependent unbounded variables which are expected to be applicable in econometric analysis beyond estimation of large covariance matrices. We discuss the utility of the robust thresholding method, comparing it with other estimators in simulations and an empirical application on the design of minimum variance portfolios.