The Observed Asymptotic Variance: Hard edges, and a regression approach
观测渐近方差：强边缘效应与回归方法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：摘要直接研究高频金融估计量的标准误与渐近方差估计。
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
观测渐近方差：强边缘效应与回归方法
- 研究问题
- 高频金融估计量的不确定性如何可靠评估，尤其当数据边缘效应较大、既有观测渐近方差方法的适用性受到挑战时？
- 方法与思路
- 作者利用高频数据结构，以非参数方式估计标准误的平方，并提出处理较大边缘效应的观测渐近方差回归方法。
- 材料陈述的贡献
- 摘要称，新回归方法对较大边缘效应具有较强稳健性，且覆盖多数高频估计量，扩展了此前针对较小或中等边缘效应的研究。
- 阅读关注点
- 应核对边缘效应的定义、回归构造及其有效条件，并检查适用估计量的范围、方差估计的一致性和实际实施细节。
- 阅读边界
- 仅依据所给出版社摘要；摘要未说明稳健性的具体条件、证明或有限样本表现，不能推断全文及其他版本的变化。
原文摘要
High frequency financial data has become an essential component of the digital economy, yielding an increasing number of estimators. However, it is hard to reliably assess the uncertainty of such estimators. The Observed Asymptotic Variance (observed AVAR) is a non-parametric estimator for (squared) standard error in high frequency data. The device is related to observed information in likelihood theory, but in this case it is non-parametric and uses the high-frequency data structure. An earlier paper has developed the estimator in the case where edge effects are small to moderate. In practical data, it is often more realistic to assume that edge effects can be large, and this is the problem that we tackle in the current paper. We here find a regression approach to observed AVAR which is highly robust to large edges. This approach covers most high frequency estimators.