On the use of high frequency measures of volatility in MIDAS regressions
MIDAS 回归中高频波动率度量的使用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：摘要明确研究高频金融波动率度量，并将其用于低频宏观或金融变量的混频预测回归。
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
MIDAS 回归中高频波动率度量的使用
- 研究问题
- 研究使用高频波动率预测变量时，标准最小二乘与 MIDAS 回归的斜率估计有何差异，以及风险度量选择如何影响偏差和效率。
- 方法与思路
- 作者联系标准 LS 与 MIDAS 非线性 LS，借助不同连续时间模型的高阶矩分析估计性质，并推导斜率估计的相对均方误差效率。
- 材料陈述的贡献
- 摘要称给出两类回归斜率的相对效率条件，并在真实生成过程为 MIDAS 时，将标准 LS 的偏差分析扩展至协方差、贝塔和偏度度量。
- 阅读关注点
- 应核对时间聚合与 MIDAS 权重设定、连续时间模型和高阶矩条件，以及相对效率与斜率偏差分别依赖哪些假设。
- 阅读边界
- 本导读限于所给出版社摘要；效率条件、偏差公式和数值结果未列出，不能据此认定 MIDAS 或某一种已实现度量始终更优。
原文摘要
Many empirical studies link mixed data frequency variables such as low frequency macroeconomic or financial variables with high frequency financial indicators’ volatilities, especially within a predictive regression model context. The objective of this paper is threefold: First, we relate the standard Least Squares (LS) regression model with high frequency volatility predictors, with the corresponding Mixed Data Sampling Nonlinear LS (MIDAS-NLS) regression model (Ghysels et al., 2005, 2006), and evaluate the properties of the regression estimators of these models. We also consider alternative high frequency volatility measures as well as various continuous time models using their corresponding relevant higher-order moments to further analyze the properties of these estimators. Second, we derive the relative MSE efficiency of the slope estimator in the standard LS and MIDAS regressions, we provide conditions for relative efficiency and present the numerical results for different continuous time models. Third, we extend the analysis of the bias of the slope estimator in standard LS regressions with alternative realized measures of risk such as the Realized Covariance, Realized beta and the Realized Skewness when the true DGP is a MIDAS model.