Staleness Factors and Volatility Estimation at High Frequencies
高频价格停滞因子与波动率估计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。
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：摘要明确使用高频资产价格、估计系统性与特质协波动率，并建立跨资产停滞因子模型，对应这三个金融细分方向。
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…
关注这篇论文的作者
高频价格停滞因子与波动率估计
- 研究问题
- 论文研究跨资产价格不更新这一市场摩擦如何影响高频协波动率估计，以及如何恢复时变停滞概率并校正估计偏差。
- 方法与思路
- 作者建立含协变量的价格停滞因子模型，以极大似然估计非平稳因子及载荷，并结合局部主成分分析构造协波动率校正量。
- 材料陈述的贡献
- 摘要称，停滞导致协波动率低估，所提校正估计具有稳健性；积分代入估计与局部主成分估计呈现不同的频率收敛速度。
- 阅读关注点
- 应核对维度与采样频率共同增长的条件、两类估计量的定义和收敛率，以及偏差校正与样本外组合风险检验的具体设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明完整市场摩擦假设及实证细节，不能将风险下降概括为普遍效果。
原文摘要
In this paper, we propose a price staleness factor model that accounts for pervasive market friction across assets and incorporates relevant covariates. Using large-panel high-frequency data, we derive the maximum likelihood estimators of the regression coefficients, the nonstationary factors, and their loading parameters. These estimators recover the time-varying price staleness probabilities. We develop asymptotic theory in which both the dimension $d$ and the sampling frequency $n$ tend to infinity. Using a local principal component analysis (LPCA) approach, we find that the efficient price co-volatilities (systematic and idiosyncratic) are biased downward due to the presence of staleness. We provide bias-corrected estimators for both the spot and integrated systematic and idiosyncratic co-volatilities, and prove that these estimators are robust to data staleness. Interestingly, besides their dependence on the dimensionality $d$, the integrated plug-in estimates converge at a rate of $n^{-1/2}$ without requiring correcting term, whereas the local PCA estimates converge at a slower rate of $n^{-1/4}$. This validates the aggregation efficiency achieved through nonlinear, nonstationary factor analysis via maximum likelihood estimation. Numerical experiments justify our theoretical findings. Empirically, we demonstrate that the staleness factor provides unique explanatory power for cross-sectional risk premia, and that the staleness correction reduces out-of-sample portfolio risk.