Factor GARCH-Itô models for high-frequency data with application to large volatility matrix prediction
高频数据的因子GARCH–Itô模型与大型波动率矩阵预测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：摘要明确结合金融高频数据、近似因子结构和大型波动率矩阵的动态估计与预测。
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
高频数据的因子GARCH–Itô模型与大型波动率矩阵预测
- 研究问题
- 高频数据中的低秩加稀疏波动率估计缺少预测所需的动态结构，如何为大型波动率矩阵建立可估计的动态模型？
- 方法与思路
- 作者基于近似因子模型引入因子GARCH–Itô扩散过程，以准极大似然估计参数，并估计条件期望波动率矩阵。
- 材料陈述的贡献
- 摘要称建立模型和估计量的渐近性质，通过模拟评估有限样本表现，并应用于标普500成分股及有总敞口约束的组合构建。
- 阅读关注点
- 应核对连续时间过程与GARCH动态的联系、因子及稀疏部分的设定、准似然条件，以及波动率预测与组合应用的评价设计。
- 阅读边界
- 仅据所给出版社摘要，无法判断模型误设时的预测表现；摘要未说明收敛率、噪声处理细节或组合应用的具体比较结果。
原文摘要
Several novel large volatility matrix estimation methods have been developed based on the high-frequency financial data. They often employ the approximate factor model that leads to a low-rank plus sparse structure for the integrated volatility matrix and facilitates estimation of large volatility matrices. However, for predicting future volatility matrices, these nonparametric estimators do not have a dynamic structure to implement. In this paper, we introduce a novel Itô diffusion process based on the approximate factor models and call it a factor GARCH-Itô model. We then investigate its properties and propose a quasi-maximum likelihood estimation method for the parameter of the factor GARCH-Itô model. We also apply it to estimating conditional expected large volatility matrices and establish their asymptotic properties. Simulation studies are conducted to validate the finite sample performance of the proposed estimation methods. The proposed method is also illustrated by using data from the constituents of the S&P 500 index and an application to constructing the minimum variance portfolio with gross exposure constraints.