Large Dynamic Covariance Matrices
高维动态协方差矩阵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：摘要研究资产收益的条件异方差与动态协方差，并明确列出风险管理应用，因此归入波动率及风险相关方向。
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…
高维动态协方差矩阵
- 研究问题
- 如何估计大量资产收益的动态二阶矩，同时处理时间序列中的条件异方差，以及横截面样本协方差矩阵特征值的样本内偏差？
- 方法与思路
- 作者结合源自 ARCH/GARCH 的动态条件相关模型与随机矩阵理论的非线性收缩，同时处理协方差的时间变化和特征值偏差。
- 材料陈述的贡献
- 摘要称，将动态条件相关与非线性收缩两条研究路径结合，可改善大型动态协方差矩阵估计，为资产收益二阶矩提供联合建模方法。
- 阅读关注点
- 核对动态相关与非线性收缩怎样组合、矩阵维度与样本长度的适用条件，以及估计改进按何种损失函数和基准方法评估。
- 阅读边界
- 摘要未给出具体估计公式、理论条件、实验设计或改进幅度；仅凭摘要无法判断其在特定资产规模及风险管理任务中的表现。
原文摘要
Second moments of asset returns are important for risk management and portfolio selection. The problem of estimating second moments can be approached from two angles: time series and the cross-section. In time series, the key is to account for conditional heteroscedasticity; a favored model is Dynamic Conditional Correlation (DCC), derived from the ARCH/GARCH family started by Engle (1982). In the cross-section, the key is to correct in-sample biases of sample covariance matrix eigenvalues; a favored model is nonlinear shrinkage, derived from Random Matrix Theory (RMT). The present article marries these two strands of literature to deliver improved estimation of large dynamic covariance matrices. Supplementary material for this article is available online.