FAST CONVERGENCE RATES IN ESTIMATING LARGE VOLATILITY MATRICES USING HIGH-FREQUENCY FINANCIAL DATA
利用高频金融数据估计大型波动率矩阵的快速收敛率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：摘要明确以含噪声、非同步高频金融观测估计大型积分波动率矩阵，直接对应高频计量与波动率。
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…
关注这篇论文的作者
利用高频金融数据估计大型波动率矩阵的快速收敛率
- 研究问题
- 当资产数量很大且高频观测存在不同步与微观结构噪声时，如何一致估计积分波动率矩阵并获得快速收敛？
- 方法与思路
- 作者提出基于非同步高频数据的大型波动率矩阵估计量，允许微观结构噪声，并在资产数与样本量同时增长时分析性质。
- 材料陈述的贡献
- 摘要称新估计量具有一致性和快速收敛率，且相对于样本量的收敛率最优；另以模拟考察有限样本表现。
- 阅读关注点
- 应核对矩阵结构限制、噪声与采样机制假设、资产数增长条件，以及最优性所针对的损失准则和模型类别。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定具体收敛率或最优性的适用范围；不能据此声称对所有高维矩阵均最优。
原文摘要
Financial practices often need to estimate an integrated volatility matrix of a large number of assets using noisy high-frequency data. Many existing estimators of a volatility matrix of small dimensions become inconsistent when the size of the matrix is close to or larger than the sample size. This paper introduces a new type of large volatility matrix estimator based on nonsynchronized high-frequency data, allowing for the presence of microstructure noise. When both the number of assets and the sample size go to infinity, we show that our new estimator is consistent and achieves a fast convergence rate, where the rate is optimal with respect to the sample size. A simulation study is conducted to check the finite sample performance of the proposed estimator.