Efficient asymptotic variance reduction when estimating volatility in high frequency data
高频波动率估计的有效渐近方差缩减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：摘要明确研究含微观结构噪声的高频波动率估计，并使用实现核与准极大似然，直接对应高频计量和波动率。
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
高频波动率估计的有效渐近方差缩减
- 研究问题
- 存在随机波动率与微观结构噪声时，如何降低实现核和准极大似然波动率估计的渐近方差，并接近效率界？
- 方法与思路
- 作者将数据划分为 B 个区块，在每块计算实现核或准极大似然估计后聚合，并分析随机采样时点与价格跳跃的影响。
- 材料陈述的贡献
- 摘要称，随区块数增加，方差与效率界之比趋近相应参数模型的比值：特定实现核为 1.0025，准极大似然为 1。
- 阅读关注点
- 应核对区块数与样本量的增长关系、块内波动变化和噪声条件、跳跃处理方法，以及渐近效率改善如何体现于有限样本。
- 阅读边界
- 出版社摘要给出的效率比是特定估计器和渐近设定下的结论；模拟与实证改善幅度未说明，不能视为固定样本的效率保证。
原文摘要
This paper shows how to carry out efficient asymptotic variance reduction when estimating volatility in the presence of stochastic volatility and microstructure noise with the realized kernels (RK) from Barndorff-Nielsen et al. (2008) and the quasi-maximum likelihood estimator (QMLE) studied in Xiu (2010). To obtain such a reduction, we chop the data into B blocks, compute the RK (or QMLE) on each block, and aggregate the block estimates. The ratio of asymptotic variance over the bound of asymptotic efficiency converges as B increases to the ratio in the parametric version of the problem, i.e. 1.0025 in the case of the fastest RK Tukey-Hanning 16 and 1 for the QMLE. The impact of stochastic sampling times and jump in the price process is examined carefully. The finite sample performance of both estimators is investigated in simulations, while empirical work illustrates the gain in practice.