Principal Component Analysis of High-Frequency Data
高频数据的主成分分析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：摘要明确以高频股票数据估计主成分，并研究股票收益协方差中的共同成分。
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
高频数据的主成分分析
- 研究问题
- 如何在高频数据上估计主成分及其不确定性，并检验股票高频协方差结构是否与长期低频收益中的结构一致？
- 方法与思路
- 作者构造已实现特征值、特征向量和主成分的估计量，给出渐近分布，并利用标普 100 成分股开展高频实证分析。
- 材料陈述的贡献
- 摘要称高低频结构呈现一致性，金融危机期间第一主成分更占主导，第二主成分则反映金融行业股票的共同变化。
- 阅读关注点
- 核对高频观测与渐近设定、特征值区分条件及估计不确定性，并检查不同频率与危机时期结构比较的样本设计。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；高频数据处理和渐近条件未说明，实证共同成分不能直接解释为已识别的经济冲击。
原文摘要
We develop the necessary methodology to conduct principal component analysis at high frequency. We construct estimators of realized eigenvalues, eigenvectors, and principal components, and provide the asymptotic distribution of these estimators. Empirically, we study the high-frequency covariance structure of the constituents of the S&P 100 Index using as little as one week of high-frequency data at a time, and examines whether it is compatible with the evidence accumulated over decades of lower frequency returns. We find a surprising consistency between the low- and high-frequency structures. During the recent financial crisis, the first principal component becomes increasingly dominant, explaining up to 60% of the variation on its own, while the second principal component drives the common variation of financial sector stocks. Supplementary materials for this article are available online.