High-frequency factor models and regressions
高频因子模型与回归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：摘要明确构造高频金融因子，估计个股贝塔，并推断特有波动率和跳跃。
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…
高频因子模型与回归
- 研究问题
- 如何在不要求贝塔分段恒定的情况下，利用高频因子回归估计个股风险暴露，并对特有波动率和特有跳跃开展推断？
- 方法与思路
- 作者提出非参数时间序列回归及各模型成分的推断框架，并利用一九九六至二〇一七年三大美国股票市场数据构建五分钟频率因子。
- 材料陈述的贡献
- 摘要称高频因子模型能解释个股风险的系统性部分，并提供特有跳跃与盈利不及预期等特有事件相关的实证证据。
- 阅读关注点
- 应核对时变贝塔的平滑与估计条件、高频因子的构造、波动率和跳跃推断方法，以及事件关联证据的定义与统计检验。
- 阅读边界
- 所给出版社摘要未提供采样误差处理、推断条件或解释力数值；跳跃与特有事件的相关证据不能直接说明事件的因果作用。
原文摘要
We consider a nonparametric time series regression model. Our framework allows precise estimation of betas without the usual assumption of betas being piecewise constant. This property makes our framework particularly suitable to study individual stocks. We provide an inference framework for all components of the model, including idiosyncratic volatility and idiosyncratic jumps. Our empirical analysis investigates the largest dataset in the high-frequency literature. First, we use all traded stocks from NYSE, AMEX, and NASDAQ stock markets for 1996–2017 to construct the five Fama–French factors and the momentum factor at the 5-minute frequency. Second, we document the key empirical properties across all the stocks and the new factors, and apply the nonparametric time series regression model with the new high-frequency Fama–French factors. We find that this factor model is effective in explaining the systematic component of the risk of individual stocks. In addition, we provide evidence that idiosyncratic jumps are related to idiosyncratic events such as earnings disappointments.