Regularizing stock return covariance matrices via multiple testing of correlations
通过相关性的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。
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：摘要直接估计股票收益协方差矩阵，并允许多变量 GARCH 型条件异方差效应。
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
通过相关性的多重检验正则化股票收益协方差矩阵
- 研究问题
- 在股票收益存在重尾和未知形式多变量 GARCH 效应时，如何构造稀疏、正定且条件良好的协方差矩阵估计？
- 方法与思路
- 作者对全部成对相关系数实施基于符号的 Monte Carlo 多重检验，将不显著元素置零，再通过收缩保持稀疏性并改善矩阵性质。
- 材料陈述的贡献
- 摘要称，程序可控制不同多重检验错误指标，后续收缩确保正定与良好条件性，并在模拟和实际组合优化中表现较强。
- 阅读关注点
- 应核对符号重抽样有效性的条件、各错误指标对应的检验程序，以及稀疏性与正定性如何兼容、组合比较采用什么评价标准。
- 阅读边界
- 仅依据所给 OpenAlex 摘要；重尾容许范围、重抽样条件、比较基准及表现数值未说明，不能推断其对任意收益分布均有效。
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.