Matrix-based Prediction Approach for Intraday Instantaneous Volatility Vector
日内瞬时波动率向量的矩阵预测方法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：摘要明确使用高频金融数据建模并预测日内瞬时波动率。
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
日内瞬时波动率向量的矩阵预测方法
- 研究问题
- 如何利用高频金融数据，同时捕捉波动率的跨日自回归动态与日内 U 型规律，预测日内瞬时波动率向量？
- 方法与思路
- 作者构造跨日与日内维度组成的瞬时波动率矩阵，将其分解为低秩条件期望与噪声，并提出双侧投影主成分方法。
- 材料陈述的贡献
- 摘要称建立估计量的渐近性质并开展有限样本模拟，使用标普五百指数及十一只行业指数基金高频数据进行样本外预测。
- 阅读关注点
- 应核对瞬时波动率的高频估计方式、低秩结构与投影信息、秩选择，以及样本外预测设计和误差评价指标。
- 阅读边界
- 仅据所给 OpenAlex 摘要版本解读；摘要未说明微观结构噪声处理、具体收敛条件或预测改善幅度，不能推断刊本变化。
原文摘要
In this article, we introduce a novel method for predicting intraday instantaneous volatility based on Itô semimartingale models using high-frequency financial data. Several studies have highlighted stylized volatility time series features, such as interday auto-regressive dynamics and the intraday U-shaped pattern. To accommodate these volatility features, we propose an interday-by-intraday instantaneous volatility matrix process that can be decomposed into low-rank conditional expected instantaneous volatility and noise matrices. To predict the low-rank conditional expected instantaneous volatility matrix, we propose the Two-sIde Projected-PCA (TIP-PCA) procedure. We establish asymptotic properties of the proposed estimators and conduct a simulation study to assess the finite sample performance of the proposed prediction method. Finally, we apply the TIP-PCA method to an out-of-sample instantaneous volatility vector prediction study using high-frequency data from the S&P 500 index and 11 sector index funds.