Forecasting Conditional Covariance Matrices in High-Dimensional Time Series: A General Dynamic Factor Approach
高维时间序列条件协方差矩阵预测：广义动态因子方法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：摘要将动态因子模型与多元 GARCH 用于资产条件协方差预测和组合构造，直接对应金融因子与波动率方向。
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
高维时间序列条件协方差矩阵预测：广义动态因子方法
- 研究问题
- 如何利用高维时间序列中的动态共同成分与时变波动信息，估计并预测条件协方差矩阵，为下一期最小方差组合提供输入？
- 方法与思路
- 作者结合具有无限维因子空间的广义动态因子模型与多元 GARCH 模型，提出条件协方差矩阵的估计和预测程序。
- 材料陈述的贡献
- 摘要称模拟表现优于多数比较方法；资产组合应用与所列近期方案结果相当，且样本外表现优于另一些文献方法。
- 阅读关注点
- 核对无限维因子空间如何转化为可计算预测、因子与波动模块如何衔接，以及比较方法、组合约束和样本外评估的设定。
- 阅读边界
- 摘要未给出估计步骤、理论保证、资产样本或具体绩效指标；所述优于替代方法仅是作者对所考察比较结果的陈述。
原文摘要
Based on a General Dynamic Factor Model with infinite-dimensional factor space and MGARCH volatility models, we develop new estimation and forecasting procedures for conditional covariance matrices in high-dimensional time series. The finite-sample performance of our approach is evaluated via Monte Carlo experiments and outperforms the most alternative methods. This new approach is also used to construct minimum one-step-ahead variance portfolios for a high-dimensional panel of assets. The results are shown to match the results of recent proposals by Engle, Ledoit, and Wolf and achieve better out-of-sample portfolio performance than alternative procedures proposed in the literature.