Large Volatility Matrix Prediction using Tensor Factor Structure
利用张量因子结构预测大型波动率矩阵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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确以高频数据预测大型波动率矩阵，并采用低秩张量因子结构。
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
利用张量因子结构预测大型波动率矩阵
- 研究问题
- 当大型波动率矩阵的特征向量随时间变化时，如何超越固定载荷限制，以可控复杂度预测条件期望波动率矩阵？
- 方法与思路
- 作者将积分波动率矩阵过程表示为三阶张量，分解为低秩和特异成分，提出投影张量主成分正交补阈值化程序。
- 材料陈述的贡献
- 摘要称建立 PT-POET 的渐近性质，并通过模拟及使用高频交易数据的最小方差组合配置应用展示其优势。
- 阅读关注点
- 应核对张量各维含义、时变特征向量如何进入预测，以及低秩和特异成分条件、高频测量误差与样本外评估设计。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出渐近条件、预测误差界或组合应用数值。
原文摘要
Several approaches for predicting large volatility matrices have been developed based on high-dimensional factor-based Itô processes. These methods often impose restrictions to reduce the model complexity, such as constant eigenvectors or factor loadings over time. However, several studies indicate that eigenvector processes are also time-varying. To address this feature, this paper generalizes the factor structure by representing the integrated volatility matrix process as a cubic (order-3 tensor) form, which is decomposed into low-rank tensor and idiosyncratic tensor components. To predict conditional expected large volatility matrices, we propose the Projected Tensor Principal Orthogonal componEnt Thresholding (PT-POET) procedure and establish its asymptotic properties. The advantages of PT-POET are validated through a simulation study and demonstrated in an application to minimum variance portfolio allocation using high-frequency trading data.