Vast volatility matrix estimation for high-frequency financial data
高频金融数据的大维度波动率矩阵估计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。
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：摘要明确研究含微观结构噪声的高频金融价格及大维度积分波动率矩阵。
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
高频金融数据的大维度波动率矩阵估计
- 研究问题
- 高频价格含微观结构噪声且资产数量与观测量同时增长时，如何可靠估计大维度积分波动率矩阵？
- 方法与思路
- 作者在含微观结构噪声的扩散过程框架下提出新的积分波动率矩阵估计量，并在资产维数与样本量共同增长时分析性质。
- 材料陈述的贡献
- 摘要称，新估计量在积分波动率矩阵稀疏条件下具有较快收敛率，数值研究及真实高频数据应用显示良好表现。
- 阅读关注点
- 应核对矩阵稀疏性的定义、噪声及观测机制的限制、维数增长范围，以及收敛率采用的范数和比较基准。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要；未说明具体估计步骤、收敛率或数值收益，既有方法失效的论断有待核对条件。
原文摘要
High-frequency data observed on the prices of financial assets are commonly modeled by diffusion processes with micro-structure noise, and realized volatility-based methods are often used to estimate integrated volatility. For problems involving a large number of assets, the estimation objects we face are volatility matrices of large size. The existing volatility estimators work well for a small number of assets but perform poorly when the number of assets is very large. In fact, they are inconsistent when both the number, p, of the assets and the average sample size, n, of the price data on the p assets go to infinity. This paper proposes a new type of estimators for the integrated volatility matrix and establishes asymptotic theory for the proposed estimators in the framework that allows both n and p to approach to infinity. The theory shows that the proposed estimators achieve high convergence rates under a sparsity assumption on the integrated volatility matrix. The numerical studies demonstrate that the proposed estimators perform well for large p and complex price and volatility models. The proposed method is applied to real high-frequency financial data.