The Gaussian Mixture Dynamic Conditional Correlation Model: Parameter Estimation, Value at Risk Calculation, and Portfolio Selection
高斯混合动态条件相关模型：参数估计、风险价值计算与投资组合选择AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确建模条件波动率与动态相关性，并计算投资组合风险价值，分别直接对应金融波动率与尾部风险度量。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
高斯混合动态条件相关模型：参数估计、风险价值计算与投资组合选择
- 研究问题
- 在波动率与资产间相关性随时间变化、扰动服从高斯混合分布的框架下，如何估计参数、预测波动率，并计算组合风险价值及选择投资组合？
- 方法与思路
- 作者构建动态条件相关的多元GARCH模型，以EGARCH描述各序列波动率，并令标准化扰动服从高斯混合分布；采用极大似然与贝叶斯估计。
- 材料陈述的贡献
- 摘要称该框架涵盖参数推断、波动率预测、组合风险价值和最优组合选择，并用蒙特卡洛及道琼斯、纳斯达克指数日收盘价分析展示表现。
- 阅读关注点
- 重点核对高斯混合的设定与参数识别、两类估计方法的实现，以及风险价值如何验证、组合选择采用何种目标和模拟比较如何支撑表现判断。
- 阅读边界
- 摘要未说明混合分量数、估计与预测的具体条件、组合约束及风险价值回测结果；所称良好表现须结合全文设计核查，不能外推到其他资产或时期。
原文摘要
A multivariate generalized autoregressive conditional heteroscedasticity model with dynamic conditional correlations is proposed, in which the individual conditional volatilities follow exponential generalized autoregressive conditional heteroscedasticity models and the standardized innovations follow a mixture of Gaussian distributions. Inference on the model parameters and prediction of future volatilities are addressed by both maximum likelihood and Bayesian estimation methods. Estimation of the Value at Risk of a given portfolio and selection of optimal portfolios under the proposed specification are addressed. The good performance of the proposed methodology is illustrated via Monte Carlo experiments and the analysis of the daily closing prices of the Dow Jones and NASDAQ indexes.