一、主题：Large Dynamic Covariance Matrix Estimation with an Application to Portfolio Allocation: A Semiparametric Reproducing Kernel Hilbert Space Approach

二、主讲人: 郭绍俊，中国人民大学统计与大数据研究院副教授。2003年本科毕业于山东师范大学，2008年获得中国科学院数学与系统科学研究院理学博士学位。博士毕业后留中国科学院数学与系统科学研究院工作，助理研究员，任期至2016年。2009年-2010年赴美国普林斯顿大学运筹与金融工程系博士后研究，做高维数据分析方面的研究工作，并于2014-2016年在英国伦敦经济学院统计系做博士后研究，做大维时间序列建模方面的研究。目前主要研究方向有：统计学习、非参数及半参数统计建模、生存分析及函数型数据分析等。

三、时间：2018年12月5号（周三），12:30-13:30

四、地点：学院南路校区主教学楼913会议室

五、主持人：黄志刚，中央财经大学金融学院教授

六、资助： 中央财经大学专题学术讲座项目资助

Abstract: Estimation of covariance matrices is an interesting and important research topic for many empirical time series problems such as asset allocation. One task is to deal with the conditional heteroscedasticity, while the other central part is to avoid the curse of dimensionality. To deal these two issues, we propose a semiparametric reproducing kernel Hilbert spaces (RKHS) approach and develop an efficient algorithm to estimate a Large Dynamic Covariance Matrix Estimation. By exploring a financial application, an empirical study from 2001 to 2017 shows that portfolio allocation based on our dynamic structure can significantly outperform the market and the portfolio allocation based on the traditional factor model.