●前言
縮寫釋義
1 緒論
2 金融高頻數據研究現狀
2.1 高頻數據及其特征分析
2.1.1 什麼是金融高頻數據
2.1.2 金融高頻數據的主要特征
2.2 金融高頻數據分析的主要動因
2.3 金融高頻數據分析研究的現狀
2.3.1 金融高頻數據統計特征的研究
2.3.2 金融市場微觀結構的研究
2.3.3 金融高頻數據建模的研究
2.3.4 基於金融高頻數據已實現波動的研究
2.3.5 基於金融高頻數據協方差陣的研究
2.4 我國研究金融高頻數據的必要性
3 常見的高頻協方差陣估計方法及其應用
3.1 RCOV估計方法
3.2 基於市場微觀結構噪聲的RCOV估計方法
3.2.1 市場微觀結構噪聲對RCOV的影響
3.2.2 考慮了市場微觀結構噪聲影響的RCOV估計方法
3.3 考慮跳躍影響的高頻協方差陣估計方法
3.3.1 RBPCOV估計方法
3.3.2 ROWCOV估計方法
3.3.3 thresholdCOV估計方法
3.4 金融高頻協方差陣在投資組合中的應用情況
3.5 本章小結
4 TPCOV估計方法的提出及其修正
4.1 預平均協方差陣估計方法
4.1.1 改進的預平均方法
4.1.2 基於預平均方法的MRCOV估計法
4.2 新估計量的提出——TPCOV及其修正
4.2.1 高頻數據的基本設定
4.2.2 MTPCOV的構造形式
4.2.3 積分方差的一致估計量——MTPRV
4.2.4 積分協方差的一致估計量——MTPCV估計量
4.3 基於MTPCV的模擬研究
4.3.1 窗寬及門限函數的選擇
4.3.2 基於隨機波動模型的數據模擬研究
4.4 本章小結
5 RnBMTPCOV的估計
5.1 基於刷新時間方案的MTPCOV的數據損失分析
5.1.1 刷新時間方案
5.1.2 基於刷新時間方案的數據損失分析
5.2 RnBMTPCOV估計方法
5.2.1 基於分塊策略的協方差矩陣
5.2.2 協方差陣的正則化處理方法
5.3 RnBMTPCOV的估計及有效性分析
5.3.1 RnBMTPCOV估計結果的描述性統計分析
5.3.2 基於Mincer—Zarnowitz回歸的協方差陣的比較分析
5.4 本章小結
6 多維協方差陣預測模型的比較分析
6.1 基於高頻數據的協方差預測模型
6.1.1 CF—ARMA（2，1）模型
6.1.2 FI—VAR模型
6.1.異質自回歸（MHAR）模型
6.1.4 基於Wishart分布的自回歸（WAR）模型
6.2 基於低頻數據的協方差陣預測模型
6.2.1 DCC模型
6.2.2 BEKK模型
6.3 預測模型的比較方法
6.3.1 損失函數
6.3.2 MCS檢驗
6.4 模型預測結果的比較
6.4.1 數據的描述
6.4.2 多維協方差陣預測模型的比較分析
6.5 本章小結
7 金融高頻協方差陣在投資組合中應用的實證分析
7.1 高頻數據在投資組合中應用問題的提出
7.1.1 引言
7.1.2 投資組合優化問題
7.2 實證分析方法介紹
7.2.1 動態投資組合策略——波動擇時策略
7.2.2 動態投資組合的比較方法
7.3 實證分析
7.3.1 樣本數據的處理
7.3.2 各投資組合的收益和波動分析
7.3.3 各投資組合的經濟收益分析
7.3.4 各投資組合Sharpe LC率的比較
7.4 本章小結
參考文獻
附錄A 書中用到的部分程序代碼
附錄B 部分模擬數據
金融資產的協方差陣在投資組合和風險管理中扮演著非常重要的角色。本書在前人研究的基礎之上，針對目前研究的不足提出了一個新的基於市場微觀結構噪聲和跳躍的估計量--修正的門限預平均已實現協方差陣，並對其理論性質和應用情況進行了研究。全書共7章，按照研究內容可以分為四個個部分。第一部分為1-2章，包括緒論和研究進展，主要給出本書的研究目的、意義、創新點以及目前對於金融高頻協方差陣的研究現狀等。第二部分為方法研究（3-5章），主要是針對目前研究的不足，提出可以同時處理市場微觀結構噪聲和跳躍的金融高頻協方差陣估計方法，對其理論性質進行證明，並進一步對其修正，將分塊策略應用到我們提出的估計量中，來減少數據的損失，提高協方差陣的估計效率。第三部分（6章）為應用研究，主要是將本書提出的估計量應用到投資組合中，來研究其應用情況。最後一部分（7章）是本書的總結。
