基于混合频率数据的大维协方差阵的估计及其应用

发布时间：2018-02-13 13:01

  本文关键词： 混合频率数据 MFD模型 大维协方差阵　出处：《系统科学与数学》2017年06期 　论文类型：期刊论文

【摘要】：大维数据给传统的协方差阵估计方法带来了巨大的挑战,数据维度和噪声的影响使得协方差阵的估计较为困难.在文章的研究中,将高频数据和低频数据相结合,提出了基于混合频率数据的协方差阵的估计和预测模型——MFD模型,MFD模型在解决了维数诅咒的同时还考虑了过去市场信息对协方差阵的影响,动态地估计和预测了未来的协方差阵.通过实证研究发现:较基于低频数据和高频数据的协方差阵估计和预测模型而言,MFD模型明显提高了高维协方差阵的估计和预测效率;并且将其应用在投资组合时,投资者获得了更高的投资收益和经济福利.
[Abstract]:The large dimension data brings a great challenge to the traditional covariance matrix estimation method. The influence of data dimension and noise makes the estimation of covariance matrix more difficult. In this paper, the high frequency data and the low frequency data are combined. The estimation and prediction model of covariance matrix based on mixed frequency data is proposed. The MFD model not only solves the curse of dimension, but also takes into account the influence of market information on the covariance matrix. The future covariance matrix is estimated and predicted dynamically. It is found that the MFD model improves the estimation and prediction efficiency of the high-dimensional covariance matrix significantly compared with the covariance matrix estimation and prediction model based on low-frequency and high-frequency data. And when applied to the portfolio, investors gain higher investment returns and economic benefits.
【作者单位】： 贵州财经大学数学与统计学院;
【基金】：国家社会科学基金项目(16CTJ013) 贵州省教育厅2015年度普通本科高校自然科学研究项目(黔教合KY字[2015]423) 2015年全国统计科学研究项目(2015LY19)资助课题
【分类号】：F832.51;O212.4

【相似文献】

相关期刊论文 前10条

1 刘忠颖;董金伟;;高维协方差阵的两样本检验的一些证明[J];长春师范学院学报;2012年06期

2 费宇,李俊梅,白鹏;多重线性回归模型协方差阵扰动的影响分析[J];生物数学学报;2000年02期

3 丁树良;;广义协方差改进估计的优良性[J];江西师范大学学报(自然科学版);1992年03期

4 王立春,汪惠民,陈桂景;一般半相依回归系统的协方差改进估计[J];应用概率统计;2001年02期

5 蒋春福;戴永隆;;奇异协方差阵下有效前沿及有效组合的解析解[J];系统科学与数学;2008年09期

6 栾恩连,邓自立;噪声协方差的一种递推估计方法[J];控制理论与应用;1990年01期

7 王松桂,严利清;协方差改进法与半相依回归的参数估计[J];应用概率统计;1997年03期

8 刘金山;SUR回归模型部分系数的协方差改进估计及其有限样本性质[J];五邑大学学报(自然科学版);1998年03期

9 徐勤丰,尤进红;GMANOVA模型中协方差阵扰动的影响分析[J];华东师范大学学报(自然科学版);2000年03期

10 闫同新;;非线性模型中无信息方差和协方差分量Bayes估计[J];福建工程学院学报;2009年04期

相关博士学位论文 前4条

1 马锋;高频数据视角下非参数波动率建模、预测及其评价研究[D];西南交通大学;2016年

2 唐勇;基于高频数据的金融市场分析[D];天津大学;2007年

3 刘广应;带跳的分数维积分过程的幂变差理论及其在金融高频数据中的应用[D];复旦大学;2011年

4 李胜歌;基于高频数据的金融波动率研究[D];天津大学;2008年

相关硕士学位论文 前10条

1 郑媛媛;成分数据的协方差结构分析[D];山西大学;2013年

2 闫同新;两类统计模型中方差和协方差分量的Bayes估计[D];中南大学;2007年

3 王云;线性混合效应模型协方差阵的估计问题[D];北京工业大学;2006年

4 叶立;高频数据下波动率的影响分析[D];西北师范大学;2016年

5 刘昂;2015年股市大跌前后的股指期现关系[D];上海社会科学院;2017年

6 韩铁;金融市场（超）高频数据建模及与低频数据对比研究[D];天津大学;2006年

7 张国勇;金融市场（超）高频数据建模及其实证分析[D];天津大学;2004年

8 李颖超;太钢不锈股市高频数据实证研究[D];山西财经大学;2012年

9 侯守国;基于小波分析的股市高频数据研究[D];天津大学;2006年

10 翟昌立;基于高频数据的中国证券市场特征研究[D];天津大学;2007年

，

本文编号：1508222