High-dimensional volatility matrix estimation via wavelets and thresholding
利用小波与阈值法估计高维波动率矩阵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。
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：摘要直接研究高维金融收益的时变波动率矩阵及其逆的估计。
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…
关注这篇论文的作者
利用小波与阈值法估计高维波动率矩阵
- 研究问题
- 对于高维金融收益的分段常数时变波动率矩阵，如何同时估计矩阵及其逆，并适应稀疏性和不同时间区间？
- 方法与思路
- 作者结合 Haar 小波分解、Fisz 方差稳定变换、偏差修正与时域阈值处理，并讨论基于极化恒等式的版本及在线实施。
- 材料陈述的贡献
- 摘要称，在稀疏性假设下，矩阵及其逆的估计具有分区间算子范数一致性与自适应速率，并以模拟和股票指数组合展示方法。
- 阅读关注点
- 应核对局部平稳、稀疏性和矩阵可逆的条件，变化位置附近的保证，以及阈值、调参和在线更新的具体规则。
- 阅读边界
- 索引摘要版本未注明，未提供一致性速率的完整条件及模拟数值；不能据应用推断组合投资效果或任意变化下的稳健性，也不能推断刊本变化。
原文摘要
We propose a locally stationary linear model for the evolution of high-dimensional financial returns, where the time-varying volatility matrix is modelled as a piecewise-constant function of time. We introduce a new wavelet-based technique for estimating the volatility matrix, which combines four ingredients: a Haar wavelet decomposition, variance stabilization of the Haar coefficients via the Fisz transform prior to thresholding, a bias correction, and extra time-domain thresholding, soft or hard. Under the assumption of sparsity, we demonstrate the interval-wise consistency of the proposed estimators of the volatility matrix and its inverse in the operator norm, with rates that adapt to the features of the target matrix. We also propose a version of the estimators based on the polarization identity, which permits a more precise derivation of the thresholds. We discuss the practicalities of the algorithm, including parameter selection and how to perform it online. A simulation study shows the benefits of the method, which is illustrated using a stock index portfolio.