Large volatility matrix analysis using global and national factor models
利用全球与国家因子分析大型波动率矩阵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：摘要明确以国际股票的波动率和协方差矩阵为对象，并引入全球及国家层面的金融因子，直接支持这两个方向。
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…
关注这篇论文的作者
利用全球与国家因子分析大型波动率矩阵
- 研究问题
- 全球股票市场同时存在共同因子与国家特有因子时，如何估计大型波动率矩阵，避免仅建模全球因子造成的局限？
- 方法与思路
- 作者基于多层因子模型提出Double-POET方法，建立渐近性质，并讨论局部协方差估计中的维度收益及传统POET的不足。
- 材料陈述的贡献
- 摘要称，方法能够纳入国家层面的局部因子，并说明局部因子存在时常规POET的缺陷；应用考察二十个市场的样本外组合配置。
- 阅读关注点
- 应核对全球与局部因子的分离条件、国家分组信息、阈值选择，以及局部协方差误差和样本外组合评价的具体标准。
- 阅读边界
- 仅依据所给出版社摘要；多层因子识别条件、渐近速度和组合评价数值未说明，不能据此断言该方法在所有市场配置中占优。
原文摘要
Several large volatility matrix inference procedures have been developed, based on the latent factor model. They often assumed that there are a few of common factors, which can account for volatility dynamics. However, several studies have demonstrated the presence of local factors. In particular, when analyzing the global stock market, we often observe that nation-specific factors explain their own country’s volatility dynamics. To account for this, we propose the Double Principal Orthogonal complEment Thresholding (Double-POET) method, based on multi-level factor models, and also establish its asymptotic properties. Furthermore, we demonstrate the drawback of using the regular principal orthogonal component thresholding (POET) when the local factor structure exists. We also describe the blessing of dimensionality using Double-POET for local covariance matrix estimation. Finally, we investigate the performance of the Double-POET estimator in an out-of-sample portfolio allocation study using international stocks from 20 financial markets.