The wide availability of financial big data has significantly increased our ability to understand social and economic phenomena. However, utilizing big data often introduces new challenges due to its complex structure and high-dimensionality. For instance, in working with high-frequency data, we encounter complexities caused by microstructure noise and heavy-tailed distributions. Similarly, with high-dimensional data, the curse of dimensionality becomes a critical issue to address. Therefore, it is important to develop effective and efficient estimation methods for big data. In this thesis, we develop the well-performing nonparametric estimation methods and parametric models for the financial big data.
금융 빅데이터의 광범위한 활용은 사회 및 경제 현상을 이해하는 능력을 크게 향상시켜왔다. 하지만, 빅데이터를 활용하는 것은 그 복잡한 구조와 고차원성 때문에 종종 새로운 도전을 야기한다. 예를 들어, 고빈도 데이터를 다룰 때, 우리는 미세구조 노이즈와 두꺼운 꼬리 분포로 인한 복잡성에 직면하게 된다. 마찬가지로, 고차원 데이터를 다룰 때는 차원의 저주가 해결해야 할 중요한 문제가 된다. 따라서, 빅 데이터에 대한 효과적이고 효율적인 추정 방법을 개발하는 것이 중요하다. 이 논문에서는 금융 빅데이터에 대한 우수한 성능의 비모수 추정 방법과 모수적 모델을 개발한다.
