ESTIMATION OF A HIGH-DIMENSIONAL COUNTING PROCESS WITHOUT PENALTY FOR HIGH-FREQUENCY EVENTS
高频事件高维计数过程的无惩罚估计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：摘要明确研究高频交易买卖到达的计数过程、订单簿变量及原油期货市场应用，最直接对应高频计量方向。
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…
关注这篇论文的作者
高频事件高维计数过程的无惩罚估计
- 研究问题
- 如何利用高维订单簿变量估计高频交易到达过程，在真实模型稀疏时无需惩罚或收缩，并为参数限制与模型比较提供推断？
- 方法与思路
- 作者利用到达强度必须为正的符号约束构造估计，采用加性模型提取订单簿变量的非线性影响，并研究两阶段估计推断。
- 材料陈述的贡献
- 摘要称稀疏条件下无需模型惩罚即可建立中心极限定理；原油期货应用强调订单簿作用，并采用样本外似然比型检验比较模型。
- 阅读关注点
- 应核对正强度约束为何足以替代惩罚、稀疏与维度增长条件、两阶段误差传递，以及样本外模型检验的统计依据。
- 阅读边界
- 仅据所给 Crossref 摘要版本，无法确定符号与稀疏条件的强度、检验具体形式或实证效果，不能推断其普遍优于 Lasso。
原文摘要
This paper introduces a counting process for event arrivals in high-frequency trading, based on high-dimensional covariates. The novelty is that, under sparsity conditions on the true model, we do not need to impose any model penalty or parameters shrinkage, unlike Lasso. The procedure allows us to derive a central limit theorem to test restrictions in a two-stage estimator. We achieve this by the use of a sign constraint on the intensity which necessarily needs to be positive. In particular, we introduce an additive model to extract the nonlinear impact of order book variables on buy and sell trade arrivals. In the empirical application, we show that the shape and dynamics of the order book are fundamental in determining the arrival of buy and sell trades in the crude oil futures market. We establish our empirical results mapping the covariates into a higher-dimensional space. Consistently with the theoretical results, the estimated models are sparse in the number of parameters. Using this approach, we are also able to compare competing model hypotheses on the basis of an out-of-sample likelihood ratio type of test.