近十年来，对诸如股票市场高维数据的研究，尤其是有关高维数据二阶矩估计的理论方法以及基于高维数据二阶矩的预测模型，已成为计量经济学尤其是金融计量经济重要的学术前沿。估计高维数据二阶矩面临的挑战可以从横截面、时间序列及高频数据三个视角进行探讨。本文系统地对这三个维度的文献进行梳理，研究这三个维度视角下高维协方差矩阵估计的相关理论和应用，并研究如何将其有效结合，以适用于高维高频金融大数据的实证研究。

  

章绪论
1．1研究背景与意义
1．2研究思路与结构安排
1．3本书的主要创新之处
第2章基于因子模型估计高维协方差矩阵
2．1基于可观测因子模型估计高维协方差矩阵
2．2基于潜因子模型估计高维协方差矩阵
2．3基于结构因子模型估计高维协方差矩阵
2．4本章总结
第3章基于压缩方法估计高维协方差矩阵
3．1基于线性压缩法估计高维协方差矩阵
3．2基于非线性压缩法估计高维协方差矩阵
3．3本章总结
第4章高维条件协方差矩阵的估计
4．1GARCH模型
4．2GARCH模型的估计
4．3高维GARCH模型的估计
4．4高维GARCH模型估计的MonteCarlo模拟
4．5本章总结
第5章基于高频数据估计收益率的波动
5．1市场微观结构噪声及其影响
5．2微观结构噪声的处理方法
5．3本章总结
第6章基于高频数据估计高维协方差矩阵
6．1考虑交易的非同步性：从单维到多维的扩展
6．2基于因子模型估计高频数据的高维协方差矩阵
6．3基于压缩方法估计高频数据的高维协方差矩阵
6．4本章总结
第7章基于高频数据预测高维协方差矩阵
7．1基于高频数据预测日收益的条件协方差矩阵：HEAVY模型
7．2基于高频数据预测积分协方差矩阵：Factor-GARCH-Ito模型
7．3本章总结
第8章实证应用：高维金融资产组合构建
8．1收益预测信号
8．2数据和一些组合构建准则
8．3高维金融资产组合的样本外表现
8．4本章总结
第9章研究结论
参考文献