Econometric Analysis of Vast Covariance Matrices Using Composite Realized Kernels and Their Application to Portfolio Choice
超大规模协方差矩阵的复合已实现核估计及投资组合选择应用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：摘要使用股票逐笔数据估计方差、相关系数与协方差，直接对应高频计量及金融波动率测度。
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…
超大规模协方差矩阵的复合已实现核估计及投资组合选择应用
- 研究问题
- 如何利用逐笔资产价格数据，高效估计超高维资产协方差，并在仅依赖前一日或近期少量信息时支持每日投资组合配置？
- 方法与思路
- 作者以单变量已实现核估计方差、双变量已实现核估计相关系数，再组合成协方差估计，用于基于近期数据的资产配置。
- 材料陈述的贡献
- 摘要报告对 2006—2011 年 437 只美国股票的最小方差组合实验，称估计量优于比较方法且交易成本具有竞争力。
- 阅读关注点
- 核对组合后协方差矩阵的半正定性、逐笔数据处理方式，以及投资组合比较的基准、绩效指标与交易成本计算口径。
- 阅读边界
- 摘要未说明高维理论条件、数据处理细节或优势对应的具体指标；该样本中的组合结果不能直接推广至其他市场与时期。
原文摘要
We propose a composite realized kernel to estimate the ex-post covariation of asset prices. These measures can in turn be used to forecast the covariation of future asset returns. Composite realized kernels are a data-efficient method, where the covariance estimate is composed of univariate realized kernels to estimate variances and bivariate realized kernels to estimate correlations. We analyze the merits of our composite realized kernels in an ultra high-dimensional environment, making asset allocation decisions every day solely based on the previous day’s data or a short moving average over very recent days. The application is a minimum variance portfolio exercise. The dataset is tick-by-tick data comprising 437 U.S. equities over the sample period 2006–2011. We show that our estimator is able to outperform its competitors, while the associated trading costs are competitive.