[论文解读] On the estimation of integrated covariance matrices of high dimensional diffusion processes

Xinghua Zheng, Yingying Li|SSRN Electronic Journal|May 11, 2010

Financial Risk and Volatility Modeling参考文献 22被引用 4

一句话总结

本文提出时间可变性校正 realized 协方差（TVARCV）矩阵，以从高频数据中估计高维积分协方差矩阵（ICV）。与标准 realized 协方差（RCV）不同，后者因时变波动率而扭曲谱分布，TVARCV 通过校正共波动率路径的变异性来消除此偏差，确保其极限谱分布仅通过 Marčenko–Pastur 方程依赖于 ICV——从而实现对 ICV 谱的精确推断。

ABSTRACT

We consider the estimation of integrated covariance (ICV) matrices of high dimensional diffusion processes based on high frequency observations. We start by studying the most commonly used estimator, the realized covariance (RCV) matrix. We show that in the high dimensional case when the dimension $p$ and the observation frequency $n$ grow in the same rate, the limiting spectral distribution (LSD) of RCV depends on the covolatility process not only through the targeting ICV, but also on how the covolatility process varies in time. We establish a Marčenko--Pastur type theorem for weighted sample covariance matrices, based on which we obtain a Marčenko--Pastur type theorem for RCV for a class $\mathcal{C}$ of diffusion processes. The results explicitly demonstrate how the time variability of the covolatility process affects the LSD of RCV. We further propose an alternative estimator, the time-variation adjusted realized covariance (TVARCV) matrix. We show that for processes in class $\mathcal {C}$, the TVARCV possesses the desirable property that its LSD depends solely on that of the targeting ICV through the Marčenko--Pastur equation, and hence, in particular, the TVARCV can be used to recover the empirical spectral distribution of the ICV by using existing algorithms.

研究动机与目标

• 解决在时变波动率下，估计高维积分协方差（ICV）矩阵时，realized 协方差（RCV）矩阵的偏差问题。
• 建立理论框架，将 RCV 的极限谱分布（LSD）与 ICV 及共波动率过程的时间动态联系起来。
• 提出一种新估计器 TVARCV，通过消除时变性影响，隔离 ICV 的谱影响。
• 证明加权样本协方差矩阵的 Marčenko–Pastur 型定理，并将其扩展至扩散过程类的 RCV。
• 通过 TVARCV 实现对 ICV 的经验谱分布（ESD）的精确估计，促进投资组合优化等下游应用。

提出的方法

• 在高维渐近（p/n → c ∈ (0, ∞)）下，推导加权样本协方差矩阵的 Marčenko–Pastur 型方程。
• 将此框架应用于一类具有时变共波动率的扩散过程的 realized 协方差矩阵（RCV）。
• 通过调整 RCV 以消除时变波动率路径对谱分布的影响，提出 TVARCV 估计器。
• 运用随机分析和极限定理，证明 TVARCV 的 LSD 仅通过标准 Marčenko–Pastur 方程依赖于 ICV。
• 采用 Stieltjes 变换技术，在高频、高维渐近下刻画 RCV 和 TVARCV 的 LSD。
• 通过分段常数和连续波动率路径的模拟验证理论，比较 RCV 和 TVARCV 的 ESD 与 Marčenko–Pastur 分布。

实验结果

研究问题

• RQ1 在高维设定下，共波动率过程的时间可变性如何影响 realized 协方差（RCV）矩阵的极限谱分布（LSD）？
• RQ2 能否构造一种修正估计器，使其 LSD 仅通过 Marčenko–Pastur 方程依赖于积分协方差矩阵（ICV），而独立于共波动率路径动态？
• RQ3 扩散过程需满足何种理论条件，才能使 RCV 矩阵的 LSD 受时变波动率影响而发生扭曲？如何校正此扭曲？
• RQ4 当 ICV 固定时，所提出的 TVARCV 估计器是否能使其经验谱分布（ESD）收敛到唯一极限，即使波动率路径变化？
• RQ5 现有谱估计算法在多大程度上可应用于 TVARCV，以恢复真实 ICV 矩阵的 ESD？

主要发现

• 标准 RCV 矩阵的 LSD 不仅依赖于 ICV，还依赖于共波动率过程的时间变化，即使 ICV 固定亦然。
• 对于相同的 ICV 矩阵，从不同波动率路径估计的 RCV 矩阵可能具有截然不同的经验谱分布（ESD），表明因时间可变性导致显著偏差。
• 所提出的 TVARCV 估计器消除了时变波动率对 LSD 的影响，确保其极限谱分布仅通过 Marčenko–Pastur 方程依赖于 ICV。
• 模拟结果证实，当 ICV 固定时，TVARCV 的 ESD 紧密遵循 Marčenko–Pastur 分布，无论波动率路径如何；而 RCV 的 ESD 在不同路径间差异显著。
• TVARCV 估计器可借助现有算法一致估计 ICV 的 ESD，适用于投资组合风险管理和主成分分析等应用。
• 为加权样本协方差矩阵建立新的 Marčenko–Pastur 型定理，并将其应用于推导一类扩散过程的 RCV 和 TVARCV 的 LSD。