Subsampling realised kernels
已实现核估计量的子采样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：摘要研究含噪高频金融数据中二次变差的已实现核估计。
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…
已实现核估计量的子采样
- 研究问题
- 在含噪高频数据中对子采样已实现核进行估计，是否改善二次变差估计，其效果为何随核函数的光滑程度变化？
- 方法与思路
- 作者扩展已实现核的分析，推导子采样估计量的极限理论，并通过模拟与实证考察不同核函数下的表现。
- 材料陈述的贡献
- 摘要称，子采样有利于不连续核，对有折点的核不改变渐近分布，而对有效的光滑核会增加渐近方差。
- 阅读关注点
- 应核对子采样方案、核权重和噪声假设，并区分截断核、Bartlett 核及 Parzen 核下的渐近与有限样本结论。
- 阅读边界
- 仅据所给出版社摘要，无法确定子采样与带宽的选择规则；渐近上的有利或不利不能直接替代有限样本判断。
原文摘要
In a recent paper we have introduced the class of realised kernel estimators of the increments of quadratic variation in the presence of noise. We showed that this estimator is consistent and derived its limit distribution under various assumptions on the kernel weights. In this paper we extend our analysis, looking at the class of subsampled realised kernels and we derive the limit theory for this class of estimators. We find that subsampling is highly advantageous for estimators based on discontinuous kernels, such as the truncated kernel. For kinked kernels, such as the Bartlett kernel, we show that subsampling is impotent, in the sense that subsampling has no effect on the asymptotic distribution. Perhaps surprisingly, for the efficient smooth kernels, such as the Parzen kernel, we show that subsampling is harmful as it increases the asymptotic variance. We also study the performance of subsampled realised kernels in simulations and in empirical work.