High-dimensional minimum variance portfolio estimation based on high-frequency data
基于高频数据的高维最小方差组合估计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：摘要明确使用可能含微观结构噪声的高频资产收益估计高维组合。
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…
基于高频数据的高维最小方差组合估计
- 研究问题
- 当高维资产的高频收益存在异方差并可能受到微观结构噪声污染时，如何估计最小方差组合及其可达到的最小方差？
- 方法与思路
- 作者在精度矩阵满足一定稀疏性假设下构造组合估计量，并给出最小方差的一致估计，以模拟和实证检验表现。
- 材料陈述的贡献
- 摘要称所构造组合在明确的渐近意义下达到最小方差，并提供可作为参照目标的最小方差估计；模拟与实证表现良好。
- 阅读关注点
- 应核对精度矩阵稀疏条件、维度与采样频率的增长关系、噪声处理方式，以及达到最小方差的精确数学含义。
- 阅读边界
- 仅据所给出版社摘要，无法判断稀疏性是否符合具体资产数据；摘要未说明交易约束、成本或样本外表现，不能据此推出投资收益。
原文摘要
This paper studies the estimation of high-dimensional minimum variance portfolio (MVP) based on the high frequency returns which can exhibit heteroscedasticity and possibly be contaminated by microstructure noise. Under certain sparsity assumptions on the precision matrix, we propose estimators of the MVP and prove that our portfolios asymptotically achieve the minimum variance in a sharp sense. In addition, we introduce consistent estimators of the minimum variance, which provide reference targets. Simulation and empirical studies demonstrate the favorable performance of the proposed portfolios.