如何從高頻股票面板數據預測預期波動？

我正在涉足關於已實現波動率估計和預期波動率預測的大量文獻（例如，參見Andersen 和 Benzoni 的Realized Volatility，引用了 120 篇其他論文，以及Bandi 和 Russell 的Volatility，引用了一組略有重疊的 120篇論文）文件）。

我很難找到專門解決從高頻收益時間序列中同時估計股票波動率的廣泛橫截面的研究。我正在尋找類似於向量自回歸 (VAR)的東西，但同時應用為大型股票面板估計開發的複雜技術（估計數以千計的波動性和可能數百萬的相關性）並使用為使用高頻進行有效估計而開發的最新進展數據。

哪些論文解決了從高頻數據預測股票波動橫截面的具體問題？

據我所知，簡短的回答是否定的：對於如何預測橫截面已實現波動率沒有一個完善的理論。從統計/計量經濟學的角度來看，最近的大多數研究仍在試圖找到繞過估計橫截面已實現波動率的方法，到目前為止，即使在這些領域進展緩慢。

將現代技術引入面板數據相當於能夠：

1. 提取資訊不規則間隔的交易數據（UHFT 或滴答級別），
2. 處理“微觀結構噪音”，

在多變數環境中，非同步交易和高維的額外問題使分析複雜化，以及 HAC 估計器帶來的通常麻煩（例如@QuantGuy 提到的維數問題）。

處理估計有兩個主要工具：（1）Ait-Sahalia、Mykland、Renault（和其他）的前/後平均方法和（2）Barndorff-Nielsen、Hansen（和其他）的核心平滑

$$ the third child, i.e. VAR and its crew, seems on the sideline of late, but I’d be happy to be proven wrong here $$. 在這兩種方法中，只有第二種已經成熟了一種技術（多變數實現核心），已發布（此處）。

引用自：https://quant.stackexchange.com/questions/2135