Estimating spot volatility under infinite variation jumps with dependent market microstructure noise
无限变差跳跃与相关市场微观结构噪声下的瞬时波动率估计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：摘要直接研究含跳跃和微观结构噪声的高频金融价格瞬时波动率估计。
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…
无限变差跳跃与相关市场微观结构噪声下的瞬时波动率估计
- 研究问题
- 当高频金融价格同时含有无限变差跳跃与序列相关微观结构噪声时，如何估计瞬时波动率，并减轻两类污染引起的估计偏差？
- 方法与思路
- 作者将预平均技术与经验特征函数结合，构造瞬时波动率估计量，分析一致性、渐近正态性及效率，并以模拟和逐秒成交价格应用说明。
- 材料陈述的贡献
- 摘要称，估计量具有一致性与渐近正态性；在跳跃活跃程度较低或活跃且对称时，达到近乎有效的收敛速度与最优方差。
- 阅读关注点
- 应核对噪声依赖、跳跃活跃度和对称性的具体限制，以及预平均窗口与特征函数参数选择；效率结论需区分一般情形与特殊跳跃情形。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未列出所谓温和假设、收敛率公式或比较数值，不能把特殊条件下的效率结论普遍化。
原文摘要
Jumps and market microstructure noise are stylized features of high-frequency financial data. It is well known that they introduce bias in the estimation of volatility (including integrated and spot volatilities) of assets, and many methods have been proposed to deal with this problem. When the jumps are intensive with infinite variation, the efficient estimation of spot volatility under serially dependent noise is not available and is thus in need. For this purpose, we propose a novel estimator of spot volatility with a hybrid use of the pre-averaging technique and the empirical characteristic function. Under mild assumptions, the results of consistency and asymptotic normality of our estimator are established. Furthermore, we show that our estimator achieves an almost efficient convergence rate with optimal variance when the jumps are either less active or active with symmetric structure. Simulation studies verify our theoretical conclusions. We apply our proposed estimator to empirical analyses, such as estimating the weekly volatility curve using second-by-second transaction price data.