A robust and scalable estimation for high-dimensional volatility models
高维波动率模型的稳健且可扩展估计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 BEKK-ARCH 类高维波动率模型的估计、模型选择与预测，直接对应波动率计量。
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
高维波动率模型的稳健且可扩展估计
- 研究问题
- 对于重尾数据下的高维 BEKK-ARCH 波动率模型，如何同时提高估计稳健性与计算效率，并选择模型阶数和组成数量？
- 方法与思路
- 作者将数据截断与正则化最小二乘结合进行估计，另提出稳健贝叶斯信息准则和岭型估计器处理阶数及组成数量选择。
- 材料陈述的贡献
- 摘要称给出非渐近误差界、极小极大最优收敛率及选择一致性，并在模拟和两个应用中报告计算速度与预测精度的改善。
- 阅读关注点
- 应核对重尾矩条件、参数空间及正则化和截断选择，区分最优收敛率的理论范围与实证速度、预测比较的具体基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明具体重尾条件、应用数据或改善幅度，不能推断所有波动率模型均受益。
原文摘要
This paper introduces a robust and computationally efficient estimation framework for high-dimensional volatility models in the BEKK-ARCH class. The proposed approach employs data truncation to ensure robustness against heavy-tailed distributions and utilizes a regularized least squares method for efficient optimization in high-dimensional settings. Non-asymptotic error bounds are established for the resulting estimators under heavy-tailed regimes, and the minimax optimal convergence rate is derived. Moreover, a robust BIC and a Ridge-type estimator are introduced for selecting the model order and the number of BEKK components, respectively, with their selection consistency established under heavy-tailed settings. Simulation studies demonstrate finite-sample performance of the proposed method, and two empirical applications illustrate its practical utility. The results show that the new framework outperforms existing alternatives in both computational speed and forecasting accuracy.