高频数据下高维协方差阵的RCM算法估计与应用

发布时间：2024-07-05 02:43

　　基于因子模型的估计方法是高频数据下高维协方差矩阵估计的一个重要方向.为了解决行业分类门限法的主观性问题,本文使用RCM算法对剔除了主要成分的残差矩阵进行重新排序并进行分块对角化门限处理.本文首先在数值模拟中设定残差矩阵包含分块对角结构并将其顺序打乱,随后使用RCM算法进行重新排序,结果表明其能够还原乱序残差矩阵中所包含的分块对角结构.基于2015年股灾期间和2018全年的高频数据,本文将预平均法和使用RCM进行分块对角处理的POET方法进行结合,并在实证研究中对包括该估计量在内的多种协方差估计量进行了样本外预测效果的比较.结果显示改进后的估计量具有更好的预测能力,进行含总敞口约束的最小方差组合投资时的日内波动率整体较低.

【文章页数】：11 页

【部分图文】：

图３使用ＲＣＭ还原乱序矩阵的结果??图３（ａ）为某天模拟生成的对角矩阵ｒ，共有１１个分块．图３（ｂ）为将ｒ按照随机顺序打乱后的矩阵．本??文使用ＲＣＭ排序算法对乱序矩阵进行重新排列，结果见图３（ｃ）．可以看出，ＲＣＭ算法能够还原ｒ的分块??

相关系数生成过程为：Ｃ／（０．１５，０．６）．噪声的生成过程为：１＾?＝?１＾＋?ｅｉｔ，??？ＡＴ（０，ｔ／；２）．本文为了将重点集中于处理残差矩阵的方法比较，假定不存在非同步现象，即所有时间点是??同步和等距的．分别取ｕ；?＝?０，０．００５，０．０１，０．０５代表不同的噪声....

本文编号：4000919