Closed-Form Multi-Factor Copula Models With Observation-Driven Dynamic Factor Loadings
具有观测驱动动态因子载荷的闭式多因子 Copula 模型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：摘要以多因子结构和动态载荷刻画股票收益之间的依赖，并比较单因子模型，核心方法直接对应金融因子方向。
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…
具有观测驱动动态因子载荷的闭式多因子 Copula 模型
- 研究问题
- 在高维股票收益数据中，如何以动态多因子结构刻画随时间变化的依赖关系，并使参数估计、似然推断和密度预测便于实施？
- 方法与思路
- 作者构建具有时变载荷和观测驱动动态的多因子 copula，给出闭式似然，并将模型用于一百只美国股票的依赖关系分析。
- 材料陈述的贡献
- 摘要称模型可扩展到高维；在所用股票样本中，多因子结构改善依赖刻画、一步 copula 密度预测及全局最小方差组合表现。
- 阅读关注点
- 应核对动态载荷更新、矩阵有效性的保证、因子数与分组方式的选择，以及单因子比较、密度预测和组合评价的具体设计。
- 阅读边界
- 摘要未说明因子数选择、比较模型的完整设定及结果不确定性；给定股票样本中的表现不足以证明跨样本的普遍优越性。
原文摘要
We develop new multi-factor dynamic copula models with time-varying factor loadings and observation-driven dynamics. The new models are highly flexible, scalable to high dimensions, and ensure positivity of covariance and correlation matrices. A closed-form likelihood expression allows for straightforward parameter estimation and likelihood inference. We apply the new model to a large panel of 100 U.S. stocks over the period 2001–2014. The proposed multi-factor structure is much better than existing (single-factor) models at describing stock return dependence dynamics in high-dimensions. The new factor models also improve one-step-ahead copula density forecasts and global minimum variance portfolio performance. Finally, we investigate different mechanisms to allocate firms into groups and find that a simple industry classification outperforms alternatives based on observable risk factors, such as size, value, or momentum.