Fitting Vast Dimensional Time-Varying Covariance Models
超高维时变协方差模型的估计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：摘要直接研究多元ARCH类模型下的资产时变协方差估计，并涉及金融风险管理和资产配置，因此归入波动率方向。
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…
超高维时变协方差模型的估计
- 研究问题
- 在资产数量达到数百时，如何估计时变协方差，并处理多元ARCH类模型既有估计方法的高计算成本与明显参数偏差？
- 方法与思路
- 作者针对多元ARCH类时变协方差模型提出新估计途径，并发展理论、开展大量模拟和实证研究；摘要未说明具体估计步骤。
- 材料陈述的贡献
- 摘要称新方法即使面对数百项资产，也不受文中所指的高计算成本和明显参数偏差问题困扰，并以模拟和实证考察其表现。
- 阅读关注点
- 核对估计步骤、维数与样本量要求、偏差结论的具体含义，以及模拟和实证中计算成本与估计误差的比较口径。
- 阅读边界
- 摘要未说明算法形式、计算复杂度、偏差结论所需条件及比较基准；不能把作者表述理解为任意样本下均无偏。
原文摘要
Estimation of time-varying covariances is a key input in risk management and asset allocation. ARCH-type multivariate models are used widely for this purpose. Estimation of such models is computationally costly and parameter estimates are meaningfully biased when applied to a moderately large number of assets. Here, we propose a novel estimation approach that suffers from neither of these issues, even when the number of assets is in the hundreds. The theory of this new method is developed in some detail. The performance of the proposed method is investigated using extensive simulation studies and empirical examples. Supplementary materials for this article are available online.