IN-SAMPLE ASYMPTOTICS AND ACROSS-SAMPLE EFFICIENCY GAINS FOR HIGH FREQUENCY DATA STATISTICS
高频统计量的样本内渐近分析与跨样本效率增益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：摘要明确围绕高频数据、已实现波动率及其估计效率展开。
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
高频统计量的样本内渐近分析与跨样本效率增益
- 研究问题
- 估计当前期间的已实现波动率时，能否利用先前期间的信息提高效率，以及这种跨期间组合能否扩展至高阶矩和杠杆统计量？
- 方法与思路
- 作者重新考察样本内渐近分析，建立跨期间加权组合方法；摘要称其与 Kalman–Bucy 滤波相关，但采用非高斯、模型无关的思路。
- 材料陈述的贡献
- 摘要称利用先前期间的观测可以改善当前波动率估计，并为涉及波动率、高阶矩及杠杆的一类过程推导理论结果，辅以模拟。
- 阅读关注点
- 应核对跨期间权重的构造、效率比较基准与适用过程，历史信息如何保持对当前目标的有效性，以及模型无关表述的具体边界。
- 阅读边界
- 仅据所给 Crossref 版本摘要，无法判断方法如何处理噪声、跳跃或期间差异；理论条件和增益数值未说明，不能推断刊本变化。
原文摘要
We revisit in-sample asymptotic analysis extensively used in the realized volatility literature. We show that there are gains to be made in estimating current realized volatility from considering realizations in prior periods. The weighting schemes also relate to Kalman-Bucy filters, although our approach is non-Gaussian and model-free. We derive theoretical results for a broad class of processes pertaining to volatility, higher moments, and leverage. The paper also contains a Monte Carlo simulation study showing the benefits of across-sample combinations.