Subsampling high frequency data
高频数据的子抽样推断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：摘要直接研究高频数据推断，重点包括积分波动率及市场微观结构噪声。
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
高频数据的子抽样推断
- 研究问题
- 对包括多种积分波动率估计量的一般估计量类，当渐近方差形式复杂时，如何避免直接代入公式而完成有效推断？
- 方法与思路
- 作者提出子抽样方案以一致估计渐近方差，再用于置信区间构造，并应用于含自相关和异方差微观结构噪声的波动率估计。
- 材料陈述的贡献
- 摘要称，该方法不依赖渐近方差的精确表达式，能够为所覆盖的估计量类提供方差估计和有效置信区间。
- 阅读关注点
- 应核对估计量类别的限制、子样本构造与尺度调整、调参规则，以及噪声依赖和异方差条件下的一致性证明。
- 阅读边界
- 仅据所给出版社摘要，无法判断子抽样大小、所需正则条件或有限样本覆盖率；复杂方差可被处理不代表任意估计量均适用。
原文摘要
The main contribution of this paper is to propose a novel way of conducting inference for an important general class of estimators that includes many estimators of integrated volatility. A subsampling scheme is introduced that consistently estimates the asymptotic variance for an estimator, thereby facilitating inference and the construction of valid confidence intervals. The new method does not rely on the exact form of the asymptotic variance, which is useful when the latter is of complicated form. The method is applied to the volatility estimator of Aït-Sahalia et al. (2011) in the presence of autocorrelated and heteroscedastic market microstructure noise.