Network Realized GARCH--Itô Models: Volatility Spillovers with High-Frequency Identification
网络实现 GARCH–Itô 模型：基于高频识别的波动率溢出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：摘要明确利用日内收益和实现波动率识别多资产波动传导，并应用于行业 ETF，直接对应金融波动率与高频计量。
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
网络实现 GARCH–Itô 模型：基于高频识别的波动率溢出
- 研究问题
- 如何利用日内收益识别多资产日度潜在波动率之间有方向和符号的传导网络，并对模型隐含的连通性进行推断？
- 方法与思路
- 作者将未知网络嵌入连续时间方差过程，以实现波动率进行可行估计，通过正则化选结构和固定秩局部重估开展条件推断。
- 材料陈述的贡献
- 摘要称固定模板下可行估计具有一阶等价性；应用的平均样本外 QLIKE 最低，但相对 HAR 优势不显著且稀疏支持为空。
- 阅读关注点
- 应核对高频识别与测量误差条件、网络选择的理想条件，以及空稀疏支持下秩一因子投影的连通性应如何解释。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核验；能源净传导者结论来自条件性因子分析，不能解释为已识别的稀疏因果渠道。
原文摘要
We introduce a network realized GARCH-Itô model in which volatility transmission is a dynamic relation among the latent daily integrated volatilities of multiple assets. An unknown directed and signed network is embedded in a continuous-time variance process and appears in the resulting exponential daily recursion. Intraday returns identify integrated volatility and hence the network that governs its propagation. For a fixed network template, feasible estimation based on realized volatility is first-order equivalent to estimation based on latent integrated volatility. For an unknown network, regularization selects the relevant structure, and, under oracle conditions, a fixed-rank local refit provides conditional inference for model-implied response-based connectedness. In an application to nine U.S. sector ETFs from 2007 to 2025, the model attains the lowest average out-of-sample QLIKE among the reported recursive forecasts, although its advantage over HAR is not statistically significant. In the full sample the weighted LASSO selects an empty sparse support, so inference concerns the rank-one projected factor component; this conditional analysis identifies Energy as a net volatility transmitter. Aggregate connectedness is more stable across volatility measures than individual sparse channels.