孔新兵教授论文研究内容简介

孔新兵教授论文研究内容简介:

[1] Kong Xin-Bing, Xu Shao-Jun, Zhou Wang*. Bootstrapping volatility functionals: a local and nonparametric perspective, Biometrika, 2018, DOI:10.1093/biomet/asy002 为去除市场微观结构误差对波动率估计造成的影响，除构造调整估计外，另一种现实的方法是采用稀疏抽样从逐笔数据中抽取相对稀疏高频数据，如每5分钟数据。然而该方法会使得波动率估计的渐近正态分布在统计推断中不可靠。成果[1]通过整合局部重抽样数据重新构造波动率泛函的局部Bootstrap估计。该文从理论上证明了该局部自助估计的Bootstrap分布具有一阶精确性。当波动率泛函是平方形式时，在一定的技术假设下，进一步证明了局部Bootstrap估计的Bootstrap分布具有二阶精确性。对比现有随机加权法和全局wild Bootstrap法，局部Bootstrap法适用于一大类波动率泛函形式，当泛函形式发生变化时不需要调整自助算法，而其他方法需要依据不同的泛函形式事先给出对应的权重抽样分布。

[2] Kong Xin-Bing, Liu Cheng*. Testing against constant factor loading matrix with large panel high-frequency data, Journal of Econometrics, 2018, Accepted.

大面板高频数据的因子荷载随时间的变化性质受到金融、经济学的关注。若因子荷载变化显著则意味着定价模型需要考虑变化带来的风险溢价问题。成果[2]基于干扰法，在因子可观测且无噪音污染的简单假设下构造了因子荷载时变性的检验。干扰法检验的构造过程和结论显示髙维误差过程的相依性强烈影响检验的第一类误差，且与现有髙维文献和直觉不同，该文惊奇地发现误差过程的强相依性对干扰法检验有利，使得第一类误差更容易控制。

[3] Kim, Donggyu, Kong Xin-Bing, Li, Cuixia, Wang Yazhen*. Adaptive thresholding estimator of the large dimensional integrated volatility matrix, Journal of Econometrics, 2018, 203, 69-79.

为适应大面板高频数据的特点，成果[3]研究了估计髙维波动率矩阵的自适应估计，给出了基于波动率波动的自适应阈值构造方法，并证明了髙维稀疏波动率矩阵的自适应估计的最小最大最优性。

[4] Liu Zhi, Kong Xin-Bing*, Jing Bing-Yi. Estimating IV with multiple noisy observations，Journal of Econometrics, 2018，DOI:10.1016/j.jeconom.2017.12.008

高频数据的波动率是金融计量和金融实证中重要的特征量。在投资组合分析、风险管理、经济行为研究、产品定价等方面具有重要的应用价值和参考意义。对波动率（包括积分波动率和瞬时波动率）的统计推断成为近20年高频数据研究领域的热点问题。成果[4]首次提出多重观察给波动率估计带来的偏差问题，并探索性的给出了去除多重观察偏差的波动率调整估计。同时证明了该调整估计不受跳和市场微观结构误差的影响，并从理论上考虑了调整估计的相合性和中心极限定理。

本文来源：https://www.bwwdw.com/article/nbfh.html