Holistic Multi-Scale Inference of the Leverage Effect: Efficiency under Dependent Microstructure Noise
杠杆效应的整体多尺度推断：相依微观结构噪声下的效率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：摘要直接研究高频资产数据中的微观结构噪声与杠杆效应，涉及价格和波动关系的估计，支持高频计量与波动率分类。
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…
杠杆效应的整体多尺度推断：相依微观结构噪声下的效率
- 研究问题
- 高频市场数据含有相依且非高斯的微观结构噪声时，如何直接估计杠杆效应，并通过多尺度组合提高估计效率？
- 方法与思路
- 作者提出 SALE 和 MSLE 估计量，以移位窗口构造对噪声无偏的基础估计，再依据跨尺度渐近协方差优化权重并作有限样本方差修正。
- 材料陈述的贡献
- 摘要称建立无噪声及相依噪声下的中心极限定理和稳定收敛结果，模拟与 30 项美国资产分析显示相较基准估计误差更小。
- 阅读关注点
- 应核对杠杆效应的具体估计对象、噪声依赖条件和移位窗口设计，以及协方差与最优权重的可行估计及效率比较基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供完整噪声条件、效率界或误差数值，优势不能推广至任意市场环境。
原文摘要
This paper addresses the long-standing challenge of estimating the leverage effect from high-frequency data contaminated by dependent, non-Gaussian microstructure noise. We depart from the conventional reliance on pre-averaging or volatility "plug-in" methods by introducing a holistic multi-scale framework that operates directly on the leverage effect. We propose two novel estimators: the Subsampling-and-Averaging Leverage Effect (SALE) and the Multi-Scale Leverage Effect (MSLE). Central to our approach is a shifted window technique that constructs a noise-unbiased base estimator, significantly simplifying the multi-scale architecture. We provide a rigorous theoretical foundation for these estimators, establishing central limit theorems and stable convergence results that remain valid under both noise-free and dependent-noise settings. The primary contribution to estimation efficiency is a specifically designed weighting strategy for the MSLE estimator. By optimizing the weights based on the asymptotic covariance structure across scales and incorporating finite-sample variance corrections, we achieve substantial efficiency gains over existing benchmarks. Extensive simulation studies and an empirical analysis of 30 U.S. assets demonstrate that our framework consistently yields smaller estimation errors and superior performance in realistic, noisy market environments.