A Factor-Based Estimation of Integrated Covariance Matrix With Noisy High-Frequency Data
含噪高频数据积分协方差矩阵的因子估计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：摘要使用含噪的异步金融高频数据，结合因子模型估计积分协方差及其逆，直接对应高频计量、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
含噪高频数据积分协方差矩阵的因子估计
- 研究问题
- 面对异步采样且含微观结构噪声的高维金融价格数据，如何识别共同因子数量，并一致估计积分协方差矩阵及其逆矩阵？
- 方法与思路
- 作者在连续时间高维因子模型中设定稀疏特异协方差矩阵，基于平顶已实现核构造因子数量、积分协方差及逆矩阵的估计量。
- 材料陈述的贡献
- 摘要称实现相关量的一致估计，并以模拟及沪深股票高频价格应用展示有限样本表现、时变协动刻画与投资组合配置用途。
- 阅读关注点
- 核对因子强度、特异协方差稀疏性、噪声与异步采样条件，以及逆矩阵估计所需的可逆性和组合配置评估方式。
- 阅读边界
- 摘要未说明维度与采样频率的增长关系、噪声结构或组合评估细节，不能据此判断估计误差大小或实际配置收益。
原文摘要
This article studies a high-dimensional factor model with sparse idiosyncratic covariance matrix in continuous time, using asynchronous high-frequency financial data contaminated by microstructure noise. We focus on consistent estimations of the number of common factors, the integrated covariance matrix and its inverse, based on the flat-top realized kernels introduced by Varneskov. Simulation results illustrate the satisfactory performance of our estimators in finite samples. We apply our methodology to the high-frequency price data on a large number of stocks traded in Shanghai and Shenzhen stock exchanges, and demonstrate its value for capturing time-varying covariations and portfolio allocation.