经济学院简志宏教授团队的合作研究成果在线发表于经济学国际知名期刊Economic Modelling。

该论文提出了一种基于高频数据主成分分析(HF-PCA)的高维协方差矩阵动态预测方法。该方法不仅能够克服高维协方差矩阵预测时所面临的“维数灾难”问题，而且能够充分利用高频数据信息并保证预测结果的正定性。具体而言，文中提出了四类预测高维协方差矩阵的高频因子(V)HAR模型，这四类模型均能较好地刻画已实现特征值序列的长记忆性，并且易于估计。实证结果亦表明，提出的新模型在样本内拟合、样本外预测以及投资组合配置上均优于竞争模型。本文的建模思路为构建高维资产投资组合提供了重要参考依据。

该论文的主要贡献在于:第一，提供了一类可灵活扩展的高维协方差矩阵建模思路，直接对Aït-Sahalia and Xiu (2017)中已实现特征值序列进行建模并提供正则化方法，能够方便地实现高维协方差矩阵的预测。第二，现有的预测协方差矩阵的研究大多考虑的资产数量都不超过100，且要求选定的资产是不变的。而新模型不仅适用于非常高维的情形，还允许每天所选择的资产有所差异。由于股票指数的成分股会不断调整并且股票停牌事件时有发生，文中提出的高维协方差矩阵的建模方法更贴合实际。

论文链接：

https://doi.org/10.1016/j.econmod.2018.07.015