Nonlinear shrinkage estimation of large integrated covariance matrices
大型积分协方差矩阵的非线性收缩估计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：摘要明确使用资产日内收益和已实现协方差矩阵，并允许交易日内波动变化，直接对应高频计量与波动率估计。
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
大型积分协方差矩阵的非线性收缩估计
- 研究问题
- 在资产数量较多、日内波动随时间变化的收益模型中，如何缓解已实现协方差矩阵极端特征值带来的估计偏差？
- 方法与思路
- 作者提出积分协方差矩阵的非线性收缩估计，将已实现协方差矩阵的极端特征值收缩，并用于构建最小方差组合。
- 材料陈述的贡献
- 摘要称估计量在资产数与观测数同阶时具有某种渐近效率，并推导组合最大敞口和实际风险界；模拟与实证比较表现有利。
- 阅读关注点
- 阅读全文时应核对日内观测及波动模型、非线性收缩规则、渐近效率的具体含义，以及组合风险界的条件和比较设置。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未提供采样条件、效率准则或风险界公式，不能据此推断实际组合的风险表现。
原文摘要
Integrated covariance matrices arise in intraday models of asset returns, which allow volatility to change over the trading day. When the number of assets is large, the natural estimator of such a matrix suffers from bias due to extreme eigenvalues. We introduce a novel nonlinear shrinkage estimator for the integrated covariance matrix which shrinks the extreme eigenvalues of a realized covariance matrix back to an acceptable level, and enjoys a certain asymptotic efficiency when the number of assets is of the same order as the number of data points. Novel maximum exposure and actual risk bounds are derived when our estimator is used in constructing the minimum variance portfolio. In simulations and a real-data analysis, our estimator performs favourably in comparison with other methods.