High-dimensional multivariate realized volatility estimation
高维多变量已实现波动率估计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。
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：摘要直接结合高频数据、协波动估计与噪声及收益的因子结构。
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…
高维多变量已实现波动率估计
- 研究问题
- 资产数量较多且高频观测受市场微观结构噪声污染时，如何准确估计大规模积分协波动与相关矩阵？
- 方法与思路
- 作者构造基于因子的已实现协波动矩阵估计量，为噪声成分设置区别于无摩擦收益系统性风险因子的独立因子结构。
- 材料陈述的贡献
- 摘要称新估计量相较若干已有方法具有更高理论效率与有限样本精度，模拟及数百只股票的组合配置应用提供支持。
- 阅读关注点
- 应核对噪声与潜在收益因子的区分条件、维度和采样频率的增长要求，以及效率比较标准、基准方法和组合评估方案。
- 阅读边界
- 仅据所给出版社摘要，无法判断噪声因子结构的适用性或效率优势成立的具体条件；实证与模拟的数值幅度未提供。
原文摘要
We provide a new factor-based estimator of the realized covolatility matrix, applicable in situations when the number of assets is large and the high-frequency data are contaminated with microstructure noises. Our estimator relies on the assumption of a factor structure for the noise component, separate from the latent systematic risk factors that characterize the cross-sectional variation in the frictionless returns. The new estimator provides theoretically more efficient and finite-sample more accurate estimates of large-scale integrated covolatility and correlation matrices than other recently developed realized estimation procedures. These theoretical and simulation-based findings are further corroborated by an empirical application related to portfolio allocation and risk minimization involving several hundred individual stocks.