Factor and idiosyncratic VAR volatility matrix models for heavy-tailed high-frequency financial observations
重尾高频金融观测下的因子与特异性 VAR 波动率矩阵模型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：摘要明确涉及高频金融观测、因子与特异性波动率矩阵及其预测。
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…
重尾高频金融观测下的因子与特异性 VAR 波动率矩阵模型
- 研究问题
- 面对高频金融收益与波动率的重尾特征，以及大型波动率矩阵的众多参数，如何同时建模共同与特异性波动动态？
- 方法与思路
- 作者提出 FIVAR 模型，使因子和特异性波动率矩阵的特征值遵循 VAR 动态，并采用结合截断的惩罚优化估计参数。
- 材料陈述的贡献
- 摘要所述贡献包括因子与特异性波动动态的联合建模、应对重尾和多参数的估计程序，以及大型波动率矩阵预测的渐近结果。
- 阅读关注点
- 应核对矩阵与特征值动态的对应关系、截断和惩罚参数的选择，以及维度、尾部条件与预测误差理论之间的联系。
- 阅读边界
- 仅据所给 RePEc 出版社摘要版本，矩阵结构约束、重尾条件及预测表现未具体说明，不能判断优势幅度或刊本变化。
原文摘要
This paper introduces a novel process for both factor and idiosyncratic volatility matrices whose eigenvalues follow the vector auto-regressive (VAR) model. We call it the factor and idiosyncratic VAR (FIVAR) model. The FIVAR model accounts for the dynamics of the factor and idiosyncratic volatilities and includes many parameters. In addition, many empirical studies have shown that high-frequency stock returns and volatilities often exhibit heavy tails. To handle these two problems simultaneously, we propose a penalized optimization procedure with a truncation scheme for parameter estimation. We apply the proposed parameter estimation procedure to predicting large volatility matrices and establish its asymptotic properties.