Enhancing Efficiency of Local Projections Estimation with Volatility Clustering in High-Frequency Data
利用高频数据中的波动聚集提高局部投影估计效率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：摘要直接研究局部投影，并以高频金融数据的波动聚集和 GARCH 误差结构为方法背景。
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…
利用高频数据中的波动聚集提高局部投影估计效率
- 研究问题
- 在具有波动聚集的高频经济和金融数据中，如何利用局部投影误差结构中的时间依赖，提高不同预测期限上的估计效率？
- 方法与思路
- 作者将 GARCH 过程引入局部投影，并扩展至 GARCH-X 与 GARCH-HAR 结构，通过蒙特卡洛模拟考察效率和波动持续性的影响。
- 材料陈述的贡献
- 摘要称，利用误差结构的序列依赖可提高各期限估计效率，在持续波动下保持稳健，且效率收益随样本量增加而扩大。
- 阅读关注点
- 应核对 GARCH 如何进入局部投影估计、条件方差依赖与误差自相关如何区分，以及效率比较和标准误计算的具体条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出估计公式、冲击识别或效率定理，不能认定 GARCH 自动解决自相关。
原文摘要
This paper advances the local projections (LP) method by addressing its inefficiency in high-frequency economic and financial data with volatility clustering. We incorporate a generalized autoregressive conditional heteroskedasticity (GARCH) process to resolve serial correlation issues and extend the model with GARCH-X and GARCH-HAR structures. Monte Carlo simulations show that exploiting serial dependence in LP error structures improves efficiency across forecast horizons, remains robust to persistent volatility, and yields greater gains as sample size increases. Our findings contribute to refining LP estimation, enhancing its applicability in analyzing economic interventions and financial market dynamics.