近十年來，對諸如股票市場高維數據的研究，尤其是有關高維數據二階矩估計的理論方法以及基于高維數據二階矩的預測模型，已成為計量經濟學尤其是金融計量經濟重要的學術前沿。估計高維數據二階矩面臨的挑戰(zhàn)可以從橫截面、時間序列及高頻數據三個視角進行探討。從橫截面的視角，主要挑戰(zhàn)在于橫截面的高維度，估計方法包括依賴于結構性外生假定的矩陣稀疏法、因子模型和基于隨機矩陣理論的壓縮方法。從時間序列的視角，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。從高頻數據的視角，主要考慮微觀結構噪聲帶來的估計偏誤，主要的處理方法為已實現核估計和預平均估計。盡管這三個分支的理論都發(fā)展快速，但卻鮮有文獻將三個維度視角下的理論方法有效結合，導致缺乏適用于金融實證中針對高維高頻數據的協(xié)方差矩陣估計方法。在此背景下，本書系統(tǒng)地對這三個維度的文獻進行梳理，研究這三個維度視角下高維協(xié)方差矩陣估計的相關理論和應用，并研究如何將其有效結合，以適用于高維高頻金融大數據的實證研究。
　　理論上，本書重點研究的模型包括：高維因子模型、壓縮方法、運用因子或壓縮方法之一進行估計的GARCH模型及其在高頻領域的擴展。針對高維因子模型，本書對因子個數和因子模型的估計方法都進行了較為全面的解析，并重點解讀了如何利用閾值函數得到協(xié)方差矩陣估計量。針對壓縮方法，本書則詳細闡述了三種常見的線性壓縮估計量以及如何利用隨機矩陣理論得到非線性可實現壓縮估計量。在此基礎上，重點研究如何將前述兩種方法運用到GARCH模型的估計中，以實現高維GARCH模型的有效估計和預測，這體現了本書理論和方法的創(chuàng)新。更進一步，本書介紹了GARCH模型在高頻領域的擴展-HEAVY模型及GARCH-Ito模型，以及如何將因子模型運用于高維HEAVY模型及高維GARCH-Ito模型，從而得到Factor-HEAVY和Factor-GARCH-Ito模型。在實證上，本書在深刻理解各協(xié)方差矩陣估計方法的基礎上，基于美國股市的數據，構建最小方差組合，以及分別考慮61個收益預測信號的Markowitz組合和Sorting組合，并利用不同的方法來估計協(xié)方差矩陣，進而配置權重，構建高維金融資產組合。基于此進行預測，其結果是基于DCC-NL模型估計的協(xié)方差矩陣所構建的Markowitz組合具有最高的夏普爾率。無論從文獻還是應用的角度看，本書首次基于DCC-NL模型估計的協(xié)方差矩陣構建高維Markowitz組合，并且基于此預測。本書的主要研究內容、研究結論及其創(chuàng)新意義概述如下：
　　第一，系統(tǒng)地研究了估計高維協(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。由于本書關注的問題是協(xié)方差矩陣的估計，所以，與一般的因子模型綜述不同，除了梳理關于因子個數估計、因子模型設定和因子模型估計的方法論文獻外，更側重于解析如何對因子模型的殘差協(xié)方差矩陣進行閾值假定，最終得到數據協(xié)方差矩陣的主成分正交補閾值估計量。另外，首次對壓縮方法及其理論基礎和背景進行較為詳細的綜述研究，包括三種線性壓縮方法（分別是單位陣壓縮、單指數模型壓縮和等相關系數壓縮）和基于QuEST函數的非線性壓縮方法。這一綜述性研究體現了本書對國際前沿的緊密跟蹤和把握。