Dynamic Realized Minimum Variance Portfolio Models
动态已实现最小方差投资组合模型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：摘要以高频数据估计逆波动率矩阵和已实现组合权重，直接涉及高频计量与波动率。
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
动态已实现最小方差投资组合模型
- 研究问题
- 研究如何利用高频金融数据直接建模最小方差组合权重的动态变化，并在参数较多时预测未来组合权重。
- 方法与思路
- 作者用 CLIME 估计逆波动率矩阵并计算日度已实现非归一化权重，对权重设置自回归结构，再以 LASSO 估计。
- 材料陈述的贡献
- 摘要提出动态已实现最小方差组合模型，建立相关渐近性质，并使用高频交易数据开展最小方差组合预测应用。
- 阅读关注点
- 应核对权重自回归与波动率动态的联系、逆矩阵估计误差的传播，以及 LASSO 条件和预测评价指标。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，无法判断预测改善、交易成本或样本外表现，也不能推断后续刊本变化。
原文摘要
This article introduces a dynamic minimum variance portfolio (MVP) model using nonlinear volatility dynamic models, based on high-frequency financial data. Specifically, we impose an autoregressive dynamic structure on MVP processes, which helps capture the MVP dynamics directly. To evaluate the dynamic MVP model, we estimate the inverse volatility matrix using the constrained l1-minimization for inverse matrix estimation (CLIME) and calculate daily realized non-normalized MVP weights. Based on the realized non-normalized MVP weight estimator, we propose the dynamic MVP model, which we call the dynamic realized minimum variance portfolio (DR-MVP) model. To estimate a large number of parameters, we employ the least absolute shrinkage and selection operator (LASSO) and predict the future MVP and establish its asymptotic properties. Using high-frequency trading data, we apply the proposed method to MVP prediction.