Efficient Sampling for Realized Variance Estimation in Time-Changed Diffusion Models
时间变换扩散模型中已实现方差估计的高效采样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：摘要直接研究日内收益采样、已实现方差及交易层面的价格过程。
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
时间变换扩散模型中已实现方差估计的高效采样
- 研究问题
- 估计日内已实现方差时，如何根据可用采样信息选择内在时间采样方案，并理解交易强度、单笔方差及噪声的作用？
- 方法与思路
- 作者用交易时间跳跃过程对价格扩散作时间变换，在有限样本中分析阈值触发采样及结合交易与估计单笔方差的采样。
- 材料陈述的贡献
- 摘要称，最优采样取决于可用信息；模拟显示噪声变化会改变方案表现，股票应用支持内在时间采样的估计及预测收益。
- 阅读关注点
- 应核对允许使用的信息集、效率的比较标准、交易过程与价格扩散设定，以及微观结构噪声如何进入理论和实证分析。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出最优性条件、噪声阈值或实证数值，不能推广为普遍最优采样。
原文摘要
This paper analyzes the benefits of sampling intraday returns in intrinsic time for the realized variance (RV) estimator. We theoretically show in finite samples that depending on the permitted sampling information, the RV estimator is most efficient under either hitting time sampling that samples whenever the price changes by a pre-determined threshold, or under the new concept of realized business time that samples according to a combination of observed trades and estimated tick variance. The analysis builds on the assumption that asset prices follow a diffusion that is time-changed with a jump process that separately models the transaction times. This provides a flexible model that allows for leverage specifications and Hawkes-type jump processes and separately captures the empirically varying trading intensity and tick variance processes, which are particularly relevant for disentangling the driving forces of the sampling schemes. Extensive simulations confirm our theoretical results and show that for low levels of noise, hitting time sampling remains superior while for increasing noise levels, realized business time becomes the empirically most efficient sampling scheme. An application to stock data provides empirical evidence for the benefits of using these intrinsic sampling schemes to construct more efficient RV estimators as well as for an improved forecast performance.