A Structural Matrix Autoregressive Model for the Joint Dynamics of Volume, Volatility, and Returns
交易量、波动率与收益联合动态的结构矩阵自回归模型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：摘要直接分析已实现波动率及金融变量的矩阵自回归联合动态。
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…
交易量、波动率与收益联合动态的结构矩阵自回归模型
- 研究问题
- 如何在大量资产组成的系统中，同时刻画收益、已实现波动率与交易量之间的动态传导，以及不同资产之间的相互依赖？
- 方法与思路
- 作者提出结构矩阵自回归模型，以较精简参数表达变量间与资产间动态，使用道指成分股日数据，并施加经济理论相关识别限制。
- 材料陈述的贡献
- 摘要报告，波动率主导交易活动，较长预测期跨资产冲击解释交易量变动的一半以上；联邦公开市场委员会公告分析提供支持证据。
- 阅读关注点
- 应核对结构限制如何落实分布混合假说与市场有效性、矩阵参数约束、方差分解的预测期，以及公告分析如何验证信息成分。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收均未核实；摘要未列出具体识别限制和统计不确定性，结构解释取决于这些限制的可信度。
原文摘要
This paper proposes a Structural Matrix Autoregressive (SMAR) model for the joint analysis of asset returns, realized volatility, and trading volume in a large-dimensional setting. This framework simultaneously captures dynamic spillovers across financial variables and cross-sectional dependence across assets while preserving a parsimonious parameterization relative to conventional vector autoregressive models. The model is estimated on daily data for the constituents of the Dow Jones Industrial Average over the period 2021-2025 and is structurally identified through restrictions consistent with the Mixture of Distributions Hypothesis and efficient market theory. The empirical findings indicate that volatility is the primary driver of trading activity, suggesting that informational shocks are predominantly incorporated into markets through price variability. Forecast error variance decompositions further reveal that, although internal shocks dominate short-term volume dynamics, cross-asset spillovers account for more than 50% of trading volume variation at longer horizons. Finally, an event-study analysis around FOMC announcements supports the proposed decomposition by identifying significant increases in the informative component of trading activity on announcement days followed by rapid mean reversion.