Large Volatility Matrix Analysis Using Global and National Factor Models
利用全球与国家因子模型分析大型波动率矩阵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：摘要直接研究股票市场波动率矩阵以及全球和国家层面的潜在因子。
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
利用全球与国家因子模型分析大型波动率矩阵
- 研究问题
- 国际股票市场同时存在全球共同因子与国家局部因子时，如何估计大型波动率矩阵，并避免忽视局部因子带来的问题？
- 方法与思路
- 作者基于多层因子模型提出 Double-POET，讨论渐近性质、传统 POET 的局限及局部协方差估计，并进行样本外资产配置研究。
- 材料陈述的贡献
- 摘要称，方法纳入国家层面的局部因子，揭示传统 POET 在该结构下的不足，并讨论高维度对局部协方差估计可能带来的收益。
- 阅读关注点
- 应核对全球与局部因子的区分条件、阈值规则、维度与样本量的渐近关系，以及二十个金融市场资产配置研究的比较设计。
- 阅读边界
- 依据的是 arXiv 预印本摘要，同行评审及期刊接收未核实；摘要未提供误差率的具体条件或配置结果，不能认定存在普遍投资绩效优势。
原文摘要
Several large volatility matrix inference procedures have been developed, based on the latent factor model. They often assumed that there are a few of common factors, which can account for volatility dynamics. However, several studies have demonstrated the presence of local factors. In particular, when analyzing the global stock market, we often observe that nation-specific factors explain their own country's volatility dynamics. To account for this, we propose the Double Principal Orthogonal complEment Thresholding (Double-POET) method, based on multi-level factor models, and also establish its asymptotic properties. Furthermore, we demonstrate the drawback of using the regular principal orthogonal component thresholding (POET) when the local factor structure exists. We also describe the blessing of dimensionality using Double-POET for local covariance matrix estimation. Finally, we investigate the performance of the Double-POET estimator in an out-of-sample portfolio allocation study using international stocks from 20 financial markets.