Modeling and Forecasting Large Realized Covariance Matrices and Portfolio Choice
大型已实现协方差矩阵的建模、预测与投资组合选择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：摘要以股票已实现协方差矩阵为预测对象，并采用惩罚向量自回归描述动态，直接对应波动率与时间序列方法。
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的建模、预测与投资组合选择
- 研究问题
- 如何通过惩罚向量自回归降低大型已实现协方差矩阵的建模维度，并评估预测精度、频率变化及组合选择中的经济价值？
- 方法与思路
- 作者采用Lasso类惩罚向量自回归建模协方差动态，提出预测能力的理论保证，并以30只道琼斯股票开展预测和组合选择比较。
- 材料陈述的贡献
- 摘要称预测精度可接近事先知道真实动态的基准，股票样本应用优于所设比较基准，并在部分组合选择情形中体现经济价值。
- 阅读关注点
- 应核对预测保证的假设、协方差预测的正定性处理、频率聚合导致的动态变化，以及比较基准与组合选择中的成本设定。
- 阅读边界
- 摘要未给出理论界限、样本划分、基准模型及组合约束；其精度与经济价值结论仅针对所考察条件，不能视为普遍保证。
原文摘要
Summary We consider modeling and forecasting large realized covariance matrices by penalized vector autoregressive models. We consider Lasso‐type estimators to reduce the dimensionality and provide strong theoretical guarantees on the forecast capability of our procedure. We show that we can forecast realized covariance matrices almost as precisely as if we had known the true driving dynamics of these in advance. We next investigate the sources of these driving dynamics as well as the performance of the proposed models for forecasting the realized covariance matrices of the 30 Dow Jones stocks. We find that the dynamics are not stable as the data are aggregated from the daily to lower frequencies. Furthermore, we are able beat our benchmark by a wide margin. Finally, we investigate the economic value of our forecasts in a portfolio selection exercise and find that in certain cases an investor is willing to pay a considerable amount in order get access to our forecasts. Copyright © 2016 John Wiley & Sons, Ltd.