LARGE GLOBAL VOLATILITY MATRIX ANALYSIS BASED ON OBSERVATION STRUCTURAL INFORMATION
利用观测结构信息估计全球金融市场的大规模波动矩阵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：摘要以全球金融市场波动矩阵为估计对象，并明确使用全球与国家因子模型，对应波动率和金融因子方向。
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
利用观测结构信息估计全球金融市场的大规模波动矩阵
- 研究问题
- 国际市场交易时段不同，而降低收益观测频率又会损失信息；如何利用观测结构估计全球市场的大规模波动矩阵？
- 方法与思路
- 作者提出 S-POET，将观测结构信息纳入全球与国家层面的因子模型，研究估计量的渐近性质，并开展样本外组合配置应用。
- 材料陈述的贡献
- 摘要称，方法利用观测结构缓解降频造成的信息损失，并从理论上展示传统低频协方差估计程序的缺点，提供国际市场应用。
- 阅读关注点
- 应核对观测结构如何编码不同交易时段、全球和国家因子的区分条件、阈值规则，以及样本外组合研究的基准和评价指标。
- 阅读边界
- 仅据所给 Crossref 版本摘要，数据频率、样本范围和组合表现数值均未说明，不能断言普遍优于其他方法或推断版本变化。
原文摘要
In this article, we develop a novel large volatility matrix estimation procedure for analyzing global financial markets. Practitioners often use lower-frequency data, such as weekly or monthly returns, to address the issue of different trading hours in the international financial market. However, this approach can lead to inefficiency due to information loss. To mitigate this problem, our proposed method, called Structured Principal Orthogonal complEment Thresholding (S-POET), incorporates observation structural information for both global and national factor models. We establish the asymptotic properties of the S-POET estimator, and also demonstrate the drawbacks of conventional covariance matrix estimation procedures when using lower-frequency data. Finally, we apply the S-POET estimator to an out-of-sample portfolio allocation study using international stock market data.