题目：Estimation of a Multiplicative Correlation Stracture in the Large Dimensional Case
报告人：Oliver Linton
报告时间：2018年11月13日（周二） 13：30 pm
地点：国际经管学院会议室（诚明楼三层）
主办方：国际经济管理学院

摘要：We propose a Kronecker product model for correlation or covariance matrices in the large dimension case. The number of parameters of the model increases logarithmically with the dimension of the matrix. We propose a minimum distance (MD) estimator based on a log-linear property of the model, as well as a one-step estimator, which is a one-step approximation to the quasi-maximum likelihood estimator (QMLE). We establish the rate of convergence and a central limit theorem (CLT) for our estimators in the large dimensional case. A specification test and tools for Kronecker product model selection and inference are provided. In an Monte Carlo study where a Kronecker product model is correctly specified, our estimators exhibit superior performance. In an empirical application to portfolio choice for S&P500 daily returns, we demonstrate that certain Kronecker product models are good approximations to the general covariance matrix.

摘要：我们为高维情况下的相关或协方差矩阵提出了 Kronecker 乘积模型。 模型的参数数量随矩阵的维数呈对数增加。 我们提出了一个基于模型的对数线性属性的最小距离 (MD) 估计参数，以及一个一步估计参数，它是准最大似然估计参数 (QMLE) 的一步近似。 我们在高维情况下为我们的估计器建立了收敛速度和中心极限定理 (CLT)。 提供了用于 Kronecker 乘积模型选择和推理的规范测试和工具。 在正确指定 Kronecker 乘积模型的蒙特卡洛研究中，我们的估计器表现出卓越的性能。 在 S&P500 每日回报的投资组合选择的实证应用中，我们证明某些 Kronecker 乘积模型很好地近似于一般协方差矩阵。