Inference for Nonparametric High-Frequency Estimators with an Application to Time Variation in Betas
非参数高频估计量的推断及金融贝塔时变性的应用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：摘要明确研究高频估计推断，并应用于股票金融贝塔的估计与动态变化。
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
非参数高频估计量的推断及金融贝塔时变性的应用
- 研究问题
- 在不知道非参数高频估计量渐近方差的情况下，如何估计其协方差并开展推断，以及方差估计如何影响金融贝塔动态的分析？
- 方法与思路
- 作者提出多元子抽样方法，在一般条件下估计方差协方差矩阵，并将其用于股票贝塔的动态分析及测量误差偏差修正。
- 材料陈述的贡献
- 摘要称，子抽样所得协方差矩阵始终半正定，模拟中比插件法更稳健；股票应用还显示贝塔时变性和偏差修正具有实质影响。
- 阅读关注点
- 应核对子抽样的区块与频率选择、成立条件和与插件法的比较设计，并检查贝塔动态模型中的测量误差修正如何实现。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；一般条件、稳健性的具体范围及统计显著性细节未说明，六只股票结果不能普遍化，不推断刊本变化。
原文摘要
We consider the problem of conducting inference on nonparametric high-frequency estimators without knowing their asymptotic variances. We prove that a multivariate subsampling method achieves this goal under general conditions that were not previously available in the literature. By construction, the subsampling method delivers estimates of the variance-covariance matrices that are always positive semidefinite. Our simulation study indicates that the subsampling method is more robust than the plug-in method based on the asymptotic expression for the variance. We use our subsampling method to study the dynamics of financial betas of six stocks on the NYSE. We document significant variation in betas, and find that tick data captures more variation in betas than the data sampled at moderate frequencies such as every 5 or 20 min. To capture this variation we estimate a simple dynamic model for betas. The variance estimation is also important for the correction of the errors-in-variables bias in such models. We find that the bias corrections are substantial, and that betas are more persistent than the naive estimators would lead one to believe.