考虑非同步交易影响的金融高频协方差阵的估计及应用

在大数据时代,高维高频金融数据的协方差阵在投资组合中扮演着重要角色。但当高维资产的交易频率存在显著差异时,非同步交易会导致"Epps"效应,严重影响协方差阵的估计效率。本文将结构矩阵填充模型(SMC)与VAR-LASSO模型相结合,建立SMC-VAR-LASSO模型来估计和预测高维高频数据的协方差阵。该模型将资产按照交易频率的高低分组,避免直接估计和预测所有资产间以及交易频率低的资产间的协方差阵,在解决非同步交易问题的同时,大大降低了数据损失量,提高了协方差阵的估计效率。将SMC-VAR-LASSO模型应用在投资组合中,并将其与VAR-LASSO模型进行比较后,发现:SMC-VAR-LASSO模型在投资组合中的应用效果更好,其提高了投资者的收益和经济效用,降低了风险。

投资组合中协方差阵的估计和预测

为了解除噪声和跳跃以及维数诅咒对协方差阵估计的影响,将修正的门限预平均已实现协方差阵(MTPCOV)与VAR-LASSO模型相结合,估计和预测高维高频数据的协方差阵,并将其应用在投资组合中。研究发现,由VAR-LASSO模型预测的MTPCOV估计量应用在投资组合中,可以使得投资者获得更高的收益,并降低投资风险。