Forecasting multivariate realized stock market volatility
多变量已实现股票市场波动率预测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：摘要以潜在因子构建股票已实现协方差矩阵的动态预测模型。
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
多变量已实现股票市场波动率预测
- 研究问题
- 如何以简约且保持正定性的模型预测股票收益的已实现协方差矩阵，潜在因子能否概括其主要动态变化？
- 方法与思路
- 作者提出矩阵对数模型，令潜在因子取决于滞后波动率、滞后收益和其他预测变量，并应用于按规模排序的股票收益。
- 材料陈述的贡献
- 摘要称，模型简约、无需施加参数限制且保证估计协方差矩阵正定；应用中两个因子足以捕捉大部分动态。
- 阅读关注点
- 应核对矩阵对数与反变换、潜在因子的识别和估计，以及两个因子的选择依据与预测评价是否采用样本外数据。
- 阅读边界
- 仅据所给出版社摘要，无法判断预测误差、比较基准或因子数量的普适性；正定性也不足以证明预测准确性。
原文摘要
We present a new matrix-logarithm model of the realized covariance matrix of stock returns. The model uses latent factors which are functions of lagged volatility, lagged returns and other forecasting variables. The model has several advantages: it is parsimonious; it does not require imposing parameter restrictions; and, it results in a positive-definite estimated covariance matrix. We apply the model to the covariance matrix of size-sorted stock returns and find that two factors are sufficient to capture most of the dynamics.