Incorporating Global Industrial Classification Standard Into Portfolio Allocation: A Simple Factor-Based Large Covariance Matrix Estimator With High-Frequency Data
将全球行业分类标准纳入投资组合配置：基于高频数据的因子型大规模协方差估计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：题名明确高频数据，摘要以金融因子和行业阈值估计资产协方差矩阵，对应高频计量、金融因子及波动率。
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
将全球行业分类标准纳入投资组合配置：基于高频数据的因子型大规模协方差估计
- 研究问题
- 如何利用行业分类所揭示的因子残差协方差块结构，在高频数据和资产维度增长下估计大规模协方差矩阵并改善组合配置？
- 方法与思路
- 作者根据行业归属施加位置相关阈值，结合 Fama–French 因子与行业 ETF，构造正定协方差估计，并联合分析观测加密和维度发散渐近。
- 材料陈述的贡献
- 摘要称按行业排序后残差协方差呈块对角模式，所提正定估计在样本外组合配置中表现较强，并给出联合渐近分析的理论依据。
- 阅读关注点
- 核对行业阈值规则与正定性的保证、因子模型和阈值基准的比较，以及高频采样方案、样本外组合约束和联合渐近所需条件。
- 阅读边界
- 摘要未列出组合表现的具体评价指标，也未说明高频数据处理细节；所称较强表现及因子模型适用性仍需结合实验设置判断。
原文摘要
We document a striking block-diagonal pattern in the factor model residual covariances of the S&P 500 Equity Index constituents, after sorting the assets by their assigned Global Industry Classification Standard (GICS) codes. Cognizant of this structure, we propose combining a location-based thresholding approach based on sector inclusion with the Fama-French and SDPR sector Exchange Traded Funds (ETF’s). We investigate the performance of our estimators in an out-of-sample portfolio allocation study. We find that our simple and positive-definite covariance matrix estimator yields strong empirical results under a variety of factor models and thresholding schemes. Conversely, we find that the Fama-French factor model is only suitable for covariance estimation when used in conjunction with our proposed thresholding technique. Theoretically, we provide justification for the empirical results by jointly analyzing the in-fill and diverging dimension asymptotics.