Forecasting Large Realized Covariance Matrices: The Benefits of Factor Models and Shrinkage
大型已实现协方差矩阵预测：因子模型与收缩的作用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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要以公司层面金融因子分解收益协方差，并预测已实现协方差矩阵，直接对应金融因子与波动率方向。
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…
大型已实现协方差矩阵预测：因子模型与收缩的作用
- 研究问题
- 如何降低股票收益已实现协方差矩阵预测的维度负担，并评估预测结果对最小方差投资组合估计的影响？
- 方法与思路
- 作者以规模、价值及盈利等公司层面因子分解收益协方差，对残差协方差施加行业限制，再用 LASSO 估计 VHAR 模型。
- 材料陈述的贡献
- 摘要称该方法用于标普五百成分股的每日预测，相比标准基准提高预测精度，并改善最小方差投资组合的估计。
- 阅读关注点
- 应核对因子分解和行业限制的具体形式、预测矩阵的有效性，以及基准选择、预测损失和组合评估的设计。
- 阅读边界
- 所给为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明数据构造、预测改善幅度或交易成本等组合评价条件。
原文摘要
We propose a model to forecast large realized covariance matrices of returns, applying it to the constituents of the S\&P 500 daily. To address the curse of dimensionality, we decompose the return covariance matrix using standard firm-level factors (e.g., size, value, and profitability) and use sectoral restrictions in the residual covariance matrix. This restricted model is then estimated using vector heterogeneous autoregressive (VHAR) models with the least absolute shrinkage and selection operator (LASSO). Our methodology improves forecasting precision relative to standard benchmarks and leads to better estimates of minimum variance portfolios.