Realized networks
已实现网络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：摘要围绕金融价格的已实现协方差及其稀疏逆矩阵估计展开，直接关联波动率和协方差估计，也对应已实现量的高频计量方法。
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…
已实现网络
- 研究问题
- 作者研究高维金融价格的已实现协方差如何在保持正定性的同时获得稀疏结构，并考察该结构能否改善样本外全局最小方差配置。
- 方法与思路
- 作者对已实现协方差逆矩阵的非对角元素施加 LASSO 型正则化，将其向零收缩，并将稀疏逆矩阵解释为日度对数价格的偏相关网络。
- 材料陈述的贡献
- 摘要称，该估计量具有正定协方差与稀疏逆矩阵，建立了大样本一致性及选择性质；美国蓝筹股应用显示样本外最小方差配置优势。
- 阅读关注点
- 应核对正则化强度与稀疏性条件、渐近结论适用的维度增长方式、已实现协方差的构造，以及资产配置基准和评价口径。
- 阅读边界
- 摘要未说明采样频率、微观结构噪声处理、理论条件及配置优势幅度；偏相关网络反映条件关联，不能据此识别因果影响或传染路径。
原文摘要
Summary We introduce LASSO‐type regularization for large‐dimensional realized covariance estimators of log‐prices. The procedure consists of shrinking the off‐diagonal entries of the inverse realized covariance matrix towards zero. This technique produces covariance estimators that are positive definite and with a sparse inverse. We name the estimator realized network, since estimating a sparse inverse realized covariance matrix is equivalent to detecting the partial correlation network structure of the daily log‐prices. The large sample consistency and selection properties of the estimator are established. An application to a panel of US blue chip stocks shows the advantages of the estimator for out‐of‐sample GMV asset allocation.