Efficient estimation of integrated volatility functionals via multiscale jackknife
通过多尺度刀切法高效估计积分波动率泛函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：摘要直接研究即期波动率、积分波动率泛函及其偏差校正，最直接对应波动率计量。
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
通过多尺度刀切法高效估计积分波动率泛函
- 研究问题
- 多元半鞅的积分波动率泛函估计如何消除即期波动率代入法产生的高阶偏差，并实现有效且便于实施的推断？
- 方法与思路
- 作者将不同局部窗口下的未校正估计量线性组合，形成多尺度刀切偏差校正，并以模拟方法估计渐近方差。
- 材料陈述的贡献
- 摘要称，估计量具有混合高斯极限和半参数效率，对窗口选择更稳健；模拟方差估计使推断无需计算导数。
- 阅读关注点
- 应核对各类偏差的消除条件、窗口及权重选择、半参数效率界，以及波动率跳跃和模拟方差估计的处理方式。
- 阅读边界
- 来源为版本未注明的 OpenAlex 摘要；观测机制、正则条件及稳健性的比较范围未说明，不能推断所有噪声情形均适用。
原文摘要
We propose semiparametrically efficient estimators for general integrated volatility functionals of multivariate semimartingale processes. A plug-in method that uses nonparametric estimates of spot volatilities is known to induce high-order biases that need to be corrected to obey a central limit theorem. Such bias terms arise from boundary effects, the diffusive and jump movements of stochastic volatility and the sampling error from the nonparametric spot volatility estimation. We propose a novel jackknife method for bias correction. The jackknife estimator is simply formed as a linear combination of a few uncorrected estimators associated with different local window sizes used in the estimation of spot volatility. We show theoretically that our estimator is asymptotically mixed Gaussian, semiparametrically efficient, and more robust to the choice of local windows. To facilitate the practical use, we introduce a simulation-based estimator of the asymptotic variance, so that our inference is derivative-free, and hence is convenient to implement.