Volatility forecasting and microstructure noise
波动率预测与微观结构噪声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：摘要围绕高频波动率度量、微观结构噪声与最优预测采样展开。
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
波动率预测与微观结构噪声
- 研究问题
- 修正高频收益中的微观结构噪声能在多大程度上改善未来波动率预测，以预测为目标时应如何选择采样频率？
- 方法与思路
- 作者在 MIDAS 回归框架下研究不同波动率度量的总体预测性质，假设噪声独立同分布，并分析条件与无条件最优采样。
- 材料陈述的贡献
- 摘要称，研究区分了条件与无条件最优采样方案，并发现条件最优采样在实践中表现较好，为预测导向采样提供依据。
- 阅读关注点
- 应核对独立同分布噪声假设、MIDAS 权重与预测目标，以及条件采样使用的信息和可行估计方式是否适合实时预测。
- 阅读边界
- 仅据所给出版社摘要，无法量化噪声修正的预测收益；结论不能直接推广到相关噪声，实践评价的样本细节未说明。
原文摘要
It is common practice to use the sum of frequently sampled squared returns to estimate volatility, yielding the so-called realized volatility. Unfortunately, returns are contaminated by market microstructure noise. Several noise-corrected realized volatility measures have been proposed. We assess to what extent correction for microstructure noise improves forecasting future volatility using a MIxed DAta Sampling (MIDAS) regression framework. We study the population prediction properties of various realized volatility measures, assuming i.i.d. microstructure noise. Next we study optimal sampling issues theoretically, when the objective is forecasting and microstructure noise contaminates realized volatility. We distinguish between conditional and unconditional optimal sampling schemes, and find that conditional optimal sampling seems to work reasonably well in practice.