A blocking and regularization approach to high‐dimensional realized covariance estimation
高维已实现协方差估计的分块与正则化方法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：摘要明确使用金融高频数据估计高维已实现协方差，并处理流动性与微观结构问题，对应高频计量和波动率。
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…
高维已实现协方差估计的分块与正则化方法
- 研究问题
- 利用高频数据估计高维资产协方差时，如何处理资产流动性差异和市场微观结构特征，并提高估计效率？
- 方法与思路
- 作者先按流动性分组，利用多元已实现核估计器逐块估计协方差，再正则化，并进行模拟与标普500资产应用。
- 材料陈述的贡献
- 摘要称 RnB 估计器在不同流动性、噪声信号比和维度设置下获得效率收益，日度协方差实证结果支持模拟发现。
- 阅读关注点
- 应核对分组规则、块间协方差处理、正则化方式，以及效率比较的基准、评价指标和微观结构模拟设计。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断正则化参数选择、理论条件或效率收益幅度；所述优势限于作者考察的设置。
原文摘要
SUMMARY We introduce a blocking and regularization approach to estimate high‐dimensional covariances using high‐frequency data. Assets are first grouped according to liquidity. Using the multivariate realized kernel estimator of Barndorff‐Nielsen et al. (2010), the covariance matrix is estimated block‐wise and then regularized. The performance of the resulting blocking and regularization (‘RnB’) estimator is analyzed in an extensive simulation study mimicking the liquidity and market microstructure features of the S&P 1500 universe. The RnB estimator yields efficiency gains for varying liquidity settings, noise‐to‐signal ratios and dimensions. An empirical application of estimating daily covariances of the S&P 500 index confirms the simulation results. Copyright © 2010 John Wiley & Sons, Ltd.