基于高频数据高维协方差矩阵的估计及应用

发布时间：2021-03-03 06:12

　　信息技术的不断革新使高频数据的存储和使用更加方便。较低频数据而言,高频数据包含了更多的信息,并且缩短了样本在采集时间上的跨度,基于高频数据估计得到的协方差也更加有效。与此同时,随着金融市场的发展,可配置的资产种类不断增加,现代投资组合对象的维度已扩展到高维。对于这样高频率高维度的数据,其协方差矩阵的估计变得十分困难。首先,高频数据的使用带来了微观结构噪声影响,并且真实市场上的资产收益具有尖峰厚尾的非正态性,导致了传统协方差矩阵估计方法的估计效果并不理想。其次,当总体维数超过样本容量时,传统的估计方法会面临维数灾难的问题。针对高频数据高维协方差矩阵估计问题,本文提出基于Huber损失函数预平均机制的收缩模型。该模型从已实现波动理论出发,基于收缩估计方法,结合高频数据处理机制,实现了收缩方法对高频数据积分协方差矩阵的估计。将收缩估计这一重要的估计方法扩展至高频数据领域的同时,也为准确估计高频数据高维协方差矩阵提供方法支持。为了检验本文所提出方法的有效性,文章通过数值模拟,对不同估计量的效果进行比较。结果显示,基于Huber损失函数预平均机制的几何型收缩估计量的效果最好。本文进一步将该估计方... 

【文章来源】：浙江工商大学浙江省

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

研究框架流程图


本文编号：3060769