A Simple Method for Predicting Covariance Matrices of Financial Returns
金融收益协方差矩阵预测的简便方法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。
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：研究直接预测金融收益的时变协方差矩阵，并与多变量 GARCH 比较。
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…
金融收益协方差矩阵预测的简便方法
- 研究问题
- 如何以较少调参预测金融收益的时变协方差矩阵，并同时评价总体预测表现、对市场变化的响应速度和组合优化中的效果？
- 方法与思路
- 作者扩展已有协方差估计方法，提出较少调参的预测器，以季度等期间的对数似然后悔度评价，并比较组合优化应用。
- 材料陈述的贡献
- 摘要称，该预测器在后悔度指标上优于多变量 GARCH，而两者在依赖协方差矩阵的组合优化等下游应用中表现相近。
- 阅读关注点
- 核对协方差更新公式与正定性、后悔度参照基准、市场变化期间的评价方式，以及下游比较是否包含交易成本和共同约束。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未提供资产样本和数值结果，似然指标改善不能直接推出投资收益提升。
原文摘要
We consider the well-studied problem of predicting the time-varying covariance matrix of a vector of financial returns. Popular methods range from simple predictors like rolling window or exponentially weighted moving average (EWMA) to more sophisticated predictors such as generalized autoregressive conditional heteroscedastic (GARCH) type methods. Building on a specific covariance estimator suggested by Engle in 2002, we propose a relatively simple extension that requires little or no tuning or fitting, is interpretable, and produces results at least as good as MGARCH, a popular extension of GARCH that handles multiple assets. To evaluate predictors we introduce a novel approach, evaluating the regret of the log-likelihood over a time period such as a quarter. This metric allows us to see not only how well a covariance predictor does over all, but also how quickly it reacts to changes in market conditions. Our simple predictor outperforms MGARCH in terms of regret. We also test covariance predictors on downstream applications such as portfolio optimization methods that depend on the covariance matrix. For these applications our simple covariance predictor and MGARCH perform similarly.