A new semiparametric estimation approach for large dynamic covariance matrices with multiple conditioning variables
多个条件变量下大型动态协方差矩阵的半参数估计新方法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：摘要直接研究动态条件协方差矩阵，并应用于日度股票收益的组合选择，最贴近金融波动率与协方差建模。
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
多个条件变量下大型动态协方差矩阵的半参数估计新方法
- 研究问题
- 如何在多个条件变量下估计大型动态协方差矩阵，并处理条件变量数量增长或相对于同期市场因子的条件稀疏性？
- 方法与思路
- 作者先通过模型平均边际回归逐项估计条件协方差，再施加收缩；另讨论条件变量维数增长及市场因子条件下的稀疏扩展。
- 材料陈述的贡献
- 摘要称，在一定正则条件下建立了估计量的一致收敛及一般收敛速率，并用模拟和日度股票收益的组合选择应用展示方法。
- 阅读关注点
- 应核对边际回归如何组合多个条件变量、收缩如何实施，以及维数增长、条件稀疏性所需条件和各类一致收敛结论。
- 阅读边界
- 仅据所列出版社摘要，正则条件、调参规则及有限样本数值结果均未说明；不能据此判断方法在其他资产或样本中的表现。
原文摘要
This paper studies the estimation of large dynamic covariance matrices with multiple conditioning variables. We introduce an easy-to-implement semiparametric method to estimate each entry of the covariance matrix via model averaging marginal regression, and then apply a shrinkage technique to obtain the dynamic covariance matrix estimation. Under some regularity conditions, we derive the asymptotic properties for the proposed estimators including the uniform consistency with general convergence rates. We further consider extending our methodology to deal with the scenarios: (i) the number of conditioning variables is divergent as the sample size increases, and (ii) the large covariance matrix is conditionally sparse relative to contemporaneous market factors. We provide a simulation study that illustrates the finite-sample performance of the developed methodology. We also provide an application to financial portfolio choice from daily stock returns.