近十年來，對諸如股票市場高維數(shù)據(jù)的研究，尤其是有關(guān)高維數(shù)據(jù)二階矩估計(jì)的理論方法以及基于高維數(shù)據(jù)二階矩的預(yù)測模型，已成為計(jì)量經(jīng)濟(jì)學(xué)尤其是金融計(jì)量經(jīng)濟(jì)重要的學(xué)術(shù)前沿。估計(jì)高維數(shù)據(jù)二階矩面臨的挑戰(zhàn)可以從橫截面、時(shí)間序列及高頻數(shù)據(jù)三個(gè)視角進(jìn)行探討。從橫截面的視角，主要挑戰(zhàn)在于橫截面的高維度，估計(jì)方法包括依賴于結(jié)構(gòu)性外生假定的矩陣稀疏法、因子模型和基于隨機(jī)矩陣?yán)碚摰膲嚎s方法。從時(shí)間序列的視角，主要考慮條件異方差性，最典型的模型為廣義自回歸條件異方差（GARCH）模型系列，包括VEC、BEKK、DCC模型等。從高頻數(shù)據(jù)的視角，主要考慮微觀結(jié)構(gòu)噪聲帶來的估計(jì)偏誤，主要的處理方法為已實(shí)現(xiàn)核估計(jì)和預(yù)平均估計(jì)。盡管這三個(gè)分支的理論都發(fā)展快速，但卻鮮有文獻(xiàn)將三個(gè)維度視角下的理論方法有效結(jié)合，導(dǎo)致缺乏適用于金融實(shí)證中針對高維高頻數(shù)據(jù)的協(xié)方差矩陣估計(jì)方法。在此背景下，本書系統(tǒng)地對這三個(gè)維度的文獻(xiàn)進(jìn)行梳理，研究這三個(gè)維度視角下高維協(xié)方差矩陣估計(jì)的相關(guān)理論和應(yīng)用，并研究如何將其有效結(jié)合，以適用于高維高頻金融大數(shù)據(jù)的實(shí)證研究。
　　理論上，本書重點(diǎn)研究的模型包括：高維因子模型、壓縮方法、運(yùn)用因子或壓縮方法之一進(jìn)行估計(jì)的GARCH模型及其在高頻領(lǐng)域的擴(kuò)展。針對高維因子模型，本書對因子個(gè)數(shù)和因子模型的估計(jì)方法都進(jìn)行了較為全面的解析，并重點(diǎn)解讀了如何利用閾值函數(shù)得到協(xié)方差矩陣估計(jì)量。針對壓縮方法，本書則詳細(xì)闡述了三種常見的線性壓縮估計(jì)量以及如何利用隨機(jī)矩陣?yán)碚摰玫椒蔷�性可實(shí)現(xiàn)壓縮估計(jì)量。在此基礎(chǔ)上，重點(diǎn)研究如何將前述兩種方法運(yùn)用到GARCH模型的估計(jì)中，以實(shí)現(xiàn)高維GARCH模型的有效估計(jì)和預(yù)測，這體現(xiàn)了本書理論和方法的創(chuàng)新。更進(jìn)一步，本書介紹了GARCH模型在高頻領(lǐng)域的擴(kuò)展-HEAVY模型及GARCH-Ito模型，以及如何將因子模型運(yùn)用于高維HEAVY模型及高維GARCH-Ito模型，從而得到Factor-HEAVY和Factor-GARCH-Ito模型。在實(shí)證上，本書在深刻理解各協(xié)方差矩陣估計(jì)方法的基礎(chǔ)上，基于美國股市的數(shù)據(jù)，構(gòu)建最小方差組合，以及分別考慮61個(gè)收益預(yù)測信號的Markowitz組合和Sorting組合，并利用不同的方法來估計(jì)協(xié)方差矩陣，進(jìn)而配置權(quán)重，構(gòu)建高維金融資產(chǎn)組合�；�于此進(jìn)行預(yù)測，其結(jié)果是基于DCC-NL模型估計(jì)的協(xié)方差矩陣所構(gòu)建的Markowitz組合具有最高的夏普爾率。無論從文獻(xiàn)還是應(yīng)用的角度看，本書首次基于DCC-NL模型估計(jì)的協(xié)方差矩陣構(gòu)建高維Markowitz組合，并且基于此預(yù)測。本書的主要研究內(nèi)容、研究結(jié)論及其創(chuàng)新意義概述如下：
　　第一，系統(tǒng)地研究了估計(jì)高維協(xié)方差矩陣的兩類重要模型——因子和壓縮，及其前沿發(fā)展方向。由于本書關(guān)注的問題是協(xié)方差矩陣的估計(jì)，所以，與一般的因子模型綜述不同，除了梳理關(guān)于因子個(gè)數(shù)估計(jì)、因子模型設(shè)定和因子模型估計(jì)的方法論文獻(xiàn)外，更側(cè)重于解析如何對因子模型的殘差協(xié)方差矩陣進(jìn)行閾值假定，最終得到數(shù)據(jù)協(xié)方差矩陣的主成分正交補(bǔ)閾值估計(jì)量。另外，首次對壓縮方法及其理論基礎(chǔ)和背景進(jìn)行較為詳細(xì)的綜述研究，包括三種線性壓縮方法（分別是單位陣壓縮、單指數(shù)模型壓縮和等相關(guān)系數(shù)壓縮）和基于QuEST函數(shù)的非線性壓縮方法。這一綜述性研究體現(xiàn)了本書對國際前沿的緊密跟蹤和把握。