Estimating Factor-Based Spot Volatility Matrices with Noisy and Asynchronous High-Frequency Data
含噪声且异步的高频数据下因子型瞬时波动率矩阵估计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：摘要明确研究资产高频数据的瞬时波动率矩阵，并利用连续时间因子模型，直接对应波动率、高频计量和金融因子。
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
含噪声且异步的高频数据下因子型瞬时波动率矩阵估计
- 研究问题
- 资产数量极大且高频观测含噪声、不同步时，如何利用低秩加稀疏结构，一致估计潜在价格的高维瞬时波动率矩阵？
- 方法与思路
- 作者结合核加权预平均、局部主成分分析、POET 与核平滑，分别处理噪声和异步性、提取时变因子并估计波动率矩阵。
- 材料陈述的贡献
- 摘要称，方法容许多种复杂噪声依赖，在相应限制和一致稀疏条件下，潜在价格及多种矩阵范数下的波动率估计一致。
- 阅读关注点
- 应核对采样异步性、噪声衰减和依赖条件、时变载荷及稀疏限制，以及各步骤误差如何累积到最终矩阵估计。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明维数增长、带宽及限制细节，也未给出模拟和应用数值。
原文摘要
We propose a new estimator of high-dimensional spot volatility matrices satisfying a low-rank plus sparse structure from noisy and asynchronous high-frequency data collected for an ultra-large number of assets. The noise processes are allowed to be temporally correlated, heteroskedastic, asymptotically vanishing and dependent on the efficient prices. We define a kernel-weighted pre-averaging method to jointly tackle the microstructure noise and asynchronicity issues, and we obtain uniformly consistent estimates for latent prices. We impose a continuous-time factor model with time-varying factor loadings on the price processes, and estimate the common factors and loadings via a local principal component analysis. Assuming a uniform sparsity condition on the idiosyncratic volatility structure, we combine the POET and kernel-smoothing techniques to estimate the spot volatility matrices for both the latent prices and idiosyncratic errors. Under some mild restrictions, the estimated spot volatility matrices are shown to be uniformly consistent under various matrix norms. We provide Monte-Carlo simulation and empirical studies to examine the numerical performance of the developed estimation methodology.