Asymptotic theory of range-based multipower variation
基于极差的多幂变差渐近理论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：摘要明确使用高频资产价格估计变差与扩散波动，并处理跳跃影响。
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
基于极差的多幂变差渐近理论
- 研究问题
- 在资产价格存在跳跃并采用高频观测时，如何用区间极差估计收益变差，对扩散波动成分进行稳健推断，并改善稀疏采样下的效率？
- 方法与思路
- 作者建立已实现极差多幂变差的渐近理论，提出混合极差估计量修正跳跃造成的偏差，并通过模拟及 TAQ 股票数据展示方法。
- 材料陈述的贡献
- 摘要称，常规极差统计量在存在跳跃时有偏；新理论支持跳跃稳健推断，且在高频数据稀疏采样时可较可比收益估计量获得效率增益。
- 阅读关注点
- 应核对价格过程与跳跃条件、混合估计量如何消除偏差、采样频率与微观结构噪声的关系，以及效率比较采用的基准和极限框架。
- 阅读边界
- 所给来源为 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明渐近条件与效率增益数值，也不能据此认定方法直接对噪声稳健。
原文摘要
In this paper, we present a realized range-based multipower variation theory, which can be used to estimate return variation and draw jump-robust inference about the diffusive volatility component, when a high-frequency record of asset prices is available. The standard range-statistic -- routinely used in financial economics to estimate the variance of securities prices -- is shown to be biased when the price process contains jumps. We outline how the new theory can be applied to remove this bias by constructing a hybrid range-based estimator. Our asymptotic theory also reveals that when high-frequency data are sparsely sampled, as is often done in practice due to the presence of microstructure noise, the range-based multipower variations can produce significant efficiency gains over comparable subsampled return-based estimators. The analysis is supported by a simulation study and we illustrate the practical use of our framework on some recent TAQ equity data.