Large Global Volatility Matrix Analysis Based on Observation Structural Information
利用观测结构信息分析大型全球波动率矩阵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。
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：摘要直接研究金融市场波动率矩阵及全球、国家因子结构，对应波动率与金融因子模型。
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
利用观测结构信息分析大型全球波动率矩阵
- 研究问题
- 国际市场交易时段不同，使用周度或月度收益虽能缓解对齐问题，却可能损失信息；如何利用观测结构提高大型波动率矩阵估计效率？
- 方法与思路
- 作者提出 Structured-POET，将观测结构信息纳入全球与国家层面的因子模型，建立估计量的渐近性质，并用于样本外资产配置。
- 材料陈述的贡献
- 摘要称，新方法利用观测结构估计全球市场波动率矩阵，并展示低频数据下传统协方差估计的不足；其应用包括国际股票组合配置。
- 阅读关注点
- 应核对观测结构如何进入估计、全球与国家因子的区分条件、渐近框架，以及样本外配置的基准、约束和评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实。摘要未说明数据频率、具体渐近条件或配置结果，不能据此断言投资表现改善。
原文摘要
In this paper, we develop a novel large volatility matrix estimation procedure for analyzing global financial markets. Practitioners often use lower-frequency data, such as weekly or monthly returns, to address the issue of different trading hours in the international financial market. However, this approach can lead to inefficiency due to information loss. To mitigate this problem, our proposed method, called Structured Principal Orthogonal complEment Thresholding (Structured-POET), incorporates observation structural information for both global and national factor models. We establish the asymptotic properties of the Structured-POET estimator, and also demonstrate the drawbacks of conventional covariance matrix estimation procedures when using lower-frequency data. Finally, we apply the Structured-POET estimator to an out-of-sample portfolio allocation study using international stock market data.