A frequency domain analysis of the error distribution from noisy high-frequency data
含噪高频数据中误差分布的频域分析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：摘要直接研究含测量误差的高频观测与积分波动率估计，对应高频计量和波动率两个方向。
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…
含噪高频数据中误差分布的频域分析
- 研究问题
- 当高频观测由潜在连续时间过程与测量误差叠加而成时，如何估计误差密度、误差矩及潜在过程的积分波动率？
- 方法与思路
- 作者假设潜在成分为 Itô 扩散过程，以适当局部化的反卷积估计误差密度，并构造误差矩和积分波动率的频域估计量。
- 材料陈述的贡献
- 摘要称密度估计无需等间隔观测，具有一致性并达到极小极大最优速率；积分波动率估计也达到最优收敛速率。
- 阅读关注点
- 应核对测量误差与潜在过程的关系、采样时点条件、局部化参数，以及最优速率对应的模型类别和损失函数。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明误差依赖结构、正则条件及实证数值。
原文摘要
Data observed at a high sampling frequency are typically assumed to be an additive composite of a relatively slow-varying continuous-time component, a latent stochastic process or smooth random function, and measurement error. Supposing that the latent component is an Itô diffusion process, we propose to estimate the measurement error density function by applying a deconvolution technique with appropriate localization. Our estimator, which does not require equally-spaced observed times, is consistent and minimax rate-optimal. We also investigate estimators of the moments of the error distribution and their properties, propose a frequency domain estimator for the integrated volatility of the underlying stochastic process, and show that it achieves the optimal convergence rate. Simulations and an application to real data validate our analysis.