Regularizing stock return covariance matrices via multiple testing of correlations
通过相关系数多重检验正则化股票收益协方差矩阵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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究股票收益协方差矩阵并允许多元 GARCH 效应，核心属于金融波动与协方差建模方向。
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
通过相关系数多重检验正则化股票收益协方差矩阵
- 研究问题
- 研究在股票收益可能具有厚尾和未知形式多元 GARCH 效应时，如何估计稀疏、正定且条件良好的大规模协方差矩阵。
- 方法与思路
- 作者同时检验全部成对相关系数，以符号 Monte Carlo 重抽样控制多重检验错误，将不显著元素置零，再通过收缩保持稀疏并确保正定。
- 材料陈述的贡献
- 摘要称，该框架兼顾厚尾、动态异方差、多重检验控制和矩阵可用性，并在模拟及真实组合优化中展现较强表现。
- 阅读关注点
- 应核对符号重抽样成立的分布条件、各错误率控制目标，以及相关阈值化转为协方差估计后收缩如何保留既有稀疏结构。
- 阅读边界
- 所给来源为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出有效性条件、比较数值或组合评价设置。
原文摘要
This paper develops a large-scale inference approach for the regularization of stock return covariance matrices. The framework allows for the presence of heavy tails and multivariate GARCH-type effects of unknown form among the stock returns. The approach involves simultaneous testing of all pairwise correlations, followed by setting non-statistically significant elements to zero. This adaptive thresholding is achieved through sign-based Monte Carlo resampling within multiple testing procedures, controlling either the traditional familywise error rate, a generalized familywise error rate, or the false discovery proportion. Subsequent shrinkage ensures that the final covariance matrix estimate is positive definite and well-conditioned while preserving the achieved sparsity. Compared to alternative estimators, this new regularization method demonstrates strong performance in simulation experiments and real portfolio optimization.