NONPARAMETRIC ESTIMATION OF LARGE SPOT VOLATILITY MATRICES FOR HIGH-FREQUENCY FINANCIAL DATA
高频金融数据的大型瞬时波动率矩阵非参数估计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：摘要直接研究高频资产数据的瞬时波动率矩阵，并明确包含可观测风险因子的时变因子模型。
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…
高频金融数据的大型瞬时波动率矩阵非参数估计
- 研究问题
- 如何从大量资产的高频观测中估计随时间变化的瞬时波动率矩阵，并处理矩阵高维性和市场微观结构噪声？
- 方法与思路
- 作者结合核平滑与广义收缩，对含噪数据先做局部预平均，并扩展至噪声波动率矩阵及可观测因子的时变因子模型。
- 材料陈述的贡献
- 摘要称建立了多类矩阵估计量的一致收敛结果；无噪情形速率与最优极小极大速率相当，并提供模拟和实证研究。
- 阅读关注点
- 应核对统一稀疏性、资产维度与采样频率的限制，预平均和平滑参数的选择，以及因子扩展中的噪声和因子假设。
- 阅读边界
- 仅据所给 Crossref 版本摘要，具体速率、采样条件及有限样本数值未说明，也不能据此推断后续刊本变化。
原文摘要
In this paper, we consider estimating spot/instantaneous volatility matrices of high-frequency data collected for a large number of assets. We first combine classic nonparametric kernel-based smoothing with a generalized shrinkage technique in the matrix estimation for noise-free data under a uniform sparsity assumption, a natural extension of the approximate sparsity commonly used in the literature. The uniform consistency property is derived for the proposed spot volatility matrix estimator with convergence rates comparable to the optimal minimax one. For high-frequency data contaminated by microstructure noise, we introduce a localized pre-averaging estimation method that reduces the effective magnitude of the noise. We then use the estimation tool developed in the noise-free scenario and derive the uniform convergence rates for the developed spot volatility matrix estimator. We further combine kernel smoothing with the shrinkage technique to estimate the time-varying volatility matrix of the high-dimensional noise vector. In addition, we consider large spot volatility matrix estimation in time-varying factor models with observable risk factors and derive the uniform convergence property. We provide numerical studies including simulation and empirical application to examine the performance of the proposed estimation methods in finite samples.