Dynamic Realized Beta Models Using Robust Realized Integrated Beta Estimator
使用稳健已实现积分贝塔估计量的动态已实现贝塔模型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。
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：摘要直接使用高频金融数据处理微观结构噪声，并建模市场因子暴露贝塔，因此对应高频计量与金融因子。
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…
使用稳健已实现积分贝塔估计量的动态已实现贝塔模型
- 研究问题
- 如何结合受微观结构噪声污染的高频数据与低频动态结构，刻画时变市场贝塔，并提高未来市场贝塔的预测能力？
- 方法与思路
- 作者先构造稳健的非参数已实现积分贝塔估计量，再建立衔接连续时间与离散时间动态的参数模型，使用准似然估计参数。
- 材料陈述的贡献
- 摘要称，方法建立了估计量的渐近性质，并通过模拟及标普五百指数与五十只高交易量成分股展示贝塔动态刻画和预测改善。
- 阅读关注点
- 应核对时变贝塔和噪声依赖的容许条件、高低频信息如何连接、两阶段估计误差如何传播，以及贝塔预测的比较基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未报告预测改善幅度或完整渐近条件，贝塔预测改善不能直接等同收益预测改善。
原文摘要
This paper introduces a unified parametric modeling approach for time-varying market betas that can accommodate continuous-time diffusion and discrete-time series models based on a continuous-time series regression model to better capture the dynamic evolution of market betas. We call this the dynamic realized beta (DR Beta). We first develop a non-parametric realized integrated beta estimator using high-frequency financial data contaminated by microstructure noises, which is robust to the stylized features, such as the time-varying beta and the dependence structure of microstructure noises, and construct the estimator's asymptotic properties. Then, with the robust realized integrated beta estimator, we propose a quasi-likelihood procedure for estimating the model parameters based on the combined high-frequency data and low frequency dynamic structure. We also establish asymptotic theorems for the proposed estimator and conduct a simulation study to check the performance of finite samples of the estimator. The empirical study with the S&P 500 index and the top 50 large trading volume stocks from the S&P 500 illustrates that the proposed DR Beta model effectively accounts for dynamics in the market beta of individual stocks and better predicts future market betas.