近日，我院助理教授杨乔和其合作者（金鑫，John Maheu）共同完成的 “Bayesian Parametric and Semiparametric Factor Models for Large Realized Covariance Matrices” 被接受发表在 Journal of Applied Econometrics.
维度灾难在多维股票的现实协方差预测过程中常常让人诟病。最新的模型也只能解决维度也仅最多为10只股票。这是由于维度的增加一般会导致未知变量的快速增长，同时给计算造成了很大困扰。比如计算时间太久或者无法找到最优解。而在股票波动预测中，同时模型多只股票的强大刚需就无法得到有效满足。这篇文章中通过spectral decomposition分解出多只股票共享的因子, 从而最小化维度的影响的同时最大化因子的预测影响，由于因子并非随时间变化而变动，我们在此引入了贝叶斯非参数来解决。贝叶斯非参数的优势是可以让因子按照1阶马科夫并且不受其状态空间的现实，从而达到非参数的目的由此可以最优的发挥共享因子的作用。我们的模型不仅在预测精度上摇摇领先其他同类模型，同时可以在短时间完成整体模型的预测计算。
