Aggregation of Nonparametric Estimators for Volatility Matrix
波动率矩阵非参数估计量的聚合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：摘要以波动率矩阵为对象，采用因子建模降维，并包含期限结构模型的模拟应用。
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
波动率矩阵非参数估计量的聚合
- 研究问题
- 如何在多维波动率矩阵估计中缓解维度灾难，并动态结合时间域和状态域信息以提高估计效率？
- 方法与思路
- 作者采用因子建模降低维度，分别分析两域非参数估计的渐近性质，利用渐近独立性推导最优动态权重并聚合估计。
- 材料陈述的贡献
- 摘要称，两域估计量渐近正态且渐近独立，聚合估计在其比较框架中一致优于单域平滑，期限结构模拟与实证支持该结论。
- 阅读关注点
- 应核对因子结构和维度条件、两域渐近独立的依据、最优权重的估计方式，以及统一优势采用的效率标准和适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供完整条件和具体数值，不能据此认定任意波动率矩阵都可获得改进。
原文摘要
An aggregated method of nonparametric estimators based on time-domain and state-domain estimators is proposed and studied. To attenuate the curse of dimensionality, we propose a factor modeling strategy. We first investigate the asymptotic behavior of nonparametric estimators of the volatility matrix in the time domain and in the state domain. Asymptotic normality is separately established for nonparametric estimators in the time domain and state domain. These two estimators are asymptotically independent. Hence, they can be combined, through a dynamic weighting scheme, to improve the efficiency of volatility matrix estimation. The optimal dynamic weights are derived, and it is shown that the aggregated estimator uniformly dominates volatility matrix estimators using time-domain or state-domain smoothing alone. A simulation study, based on an essentially affine model for the term structure, is conducted, and it demonstrates convincingly that the newly proposed procedure outperforms both time- and state-domain estimators. Empirical studies further endorse the advantages of our aggregated method.