Estimating the integrated volatility with tick observations
基于逐笔观测的积分波动率估计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。
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：摘要直接研究逐笔金融价格观测下的积分波动率估计，并处理微观结构噪声与价格跳跃，因此对应波动率和高频计量。
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
基于逐笔观测的积分波动率估计
- 研究问题
- 在观测时点不规则且可能内生、噪声具有依赖性与日内特征、潜在价格存在跳跃时，如何用逐笔数据估计积分波动率？
- 方法与思路
- 作者提出可直接用于逐笔数据的波动率估计量，在模型中同时容纳内生观测时点、依赖噪声及价格跳跃，并研究其渐近性质。
- 材料陈述的贡献
- 摘要称该估计量具有一致性并达到最优收敛速率，模拟和实证研究显示有利表现；最优性的具体比较范围未在摘要中展开。
- 阅读关注点
- 应核对观测时点与噪声依赖的具体限制、跳跃的处理方式，以及一致性和最优速率所需条件，并查看模拟与实证比较设计。
- 阅读边界
- 仅据所给出版社摘要，无法判断估计量的具体形式、调参要求或有限样本优势的范围；摘要也未提供实证数据与数值结果。
原文摘要
We develop a volatility estimator that can be directly applied to tick-by- tick data. More specifically, we consider a model that allows for (i) irregular observation times that can be endogenous, (ii) dependent noise that can have diurnal features and be dependent on the latent price process, and (iii) jumps in the latent price process. We show that our estimator yields consistent estimates and enjoys the optimal rate of convergence. Simulation as well as empirical studies demonstrate favorable properties of our proposed estimator.