Multivariate high‐frequency‐based volatility (HEAVY) models
基于高频数据的多元波动率HEAVY模型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：摘要明确利用高频数据建模并预测多元方差和相关性，直接对应金融波动率与高频计量两个方向。
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…
基于高频数据的多元波动率HEAVY模型
- 研究问题
- 如何利用高频数据建立多元波动率模型，并改善方差与相关性的多步预测及相对多元GARCH的样本外表现？
- 方法与思路
- 作者提出多元HEAVY模型，讨论动态结构及协方差目标设定，给出多步预测闭式公式，并概述估计与推断策略。
- 材料陈述的贡献
- 摘要称，HEAVY在样本外优于多元GARCH，短预测期限的增益尤其显著，且方差和相关性预测均有改善。
- 阅读关注点
- 应核对高频信息的构造、协方差目标与参数约束，以及样本外比较的损失函数、预测期限和统计检验。
- 阅读边界
- 仅依据所给Crossref摘要；数据资产、模型条件和预测增益数值未说明，不能将所述样本外表现视为所有市场的结果。
原文摘要
SUMMARY This paper introduces a new class of multivariate volatility models that utilizes high‐frequency data. We discuss the models' dynamics and highlight their differences from multivariate generalized autoregressive conditional heteroskedasticity (GARCH) models. We also discuss their covariance targeting specification and provide closed‐form formulas for multi‐step forecasts. Estimation and inference strategies are outlined. Empirical results suggest that the HEAVY model outperforms the multivariate GARCH model out‐of‐sample, with the gains being particularly significant at short forecast horizons. Forecast gains are obtained for both forecast variances and correlations. Copyright © 2011 John Wiley & Sons, Ltd.