A Tale of Two Time Scales
两个时间尺度的故事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：摘要明确逐笔金融收益、微观结构噪声与双尺度波动率估计。
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…
两个时间尺度的故事
- 研究问题
- 摘要研究从高频收益平方和估计波动率时，市场微观结构噪声为何使更密采样失去优势。关键主题是如何协调连续时间的潜在收益模型与含噪声的离散观测，并利用逐笔数据的信息，设计对噪声更稳健的波动率估计方法。
- 方法与思路
- 摘要建立连接连续时间模型与离散样本的框架，解释常用波动率估计量在最高频率下失效的原因。它在噪声渐近较小时给出寻找最优采样频率的途径，并提出双尺度估计量。阅读建议是追踪两种时间尺度如何配合及处理噪声。
- 材料陈述的贡献
- 摘要将最高频采样下常用估计量的失效放入理论框架，并区分两种处理路线：小噪声情形下选择最优采样频率，或使用双尺度估计量。作者称后者可处理任意大小的噪声，学习时应把这一结论与其框架中的噪声假设一起核对。
- 阅读关注点
- 阅读时核对观测噪声怎样进入价格模型、它与潜在收益有何关系，以及最高频下常用估计量失效的推导。接着检查最优采样频率依赖的渐近条件、双尺度构造及误差分析，并确认“任意大小”是否仍受到噪声结构和采样设定的约束。 阅读前先备知识：建议先掌握收益平方和、二次变差与积分波动率，再了解交易价格和潜在价格的区别，以及买卖价差等微观结构现象。复习偏差、方差和均方误差，理解提高采样频率可能同时增加可用信息与噪声影响，才能比较不同采样策略。
- 阅读边界
- 以下限制对应原请求所用摘要版本：基于原文摘要，未阅读全文。摘要没有给出双尺度估计量的公式、收敛速度或具体噪声条件，也没有报告实证数值。因此可说明两条处理路线及其适用情境，但不能把“任意大小的噪声”扩展为对任意依赖形式、内生性或价格过程都稳健。 经AI辅助核对旧与当前摘要内容等价；未另读刊稿全文，不能据此证明整个稿件版本等价。
原文摘要
It is a common practice in finance to estimate volatility from the sum of frequently sampled squared returns. However, market microstructure poses challenges to this estimation approach, as evidenced by recent empirical studies in finance. The present work attempts to lay out theoretical grounds that reconcile continuous-time modeling and discrete-time samples. We propose an estimation approach that takes advantage of the rich sources in tick-by-tick data while preserving the continuous-time assumption on the underlying returns. Under our framework, it becomes clear why and where the “usual” volatility estimator fails when the returns are sampled at the highest frequencies. If the noise is asymptotically small, our work provides a way of finding the optimal sampling frequency. A better approach, the “two-scales estimator,” works for any size of the noise.