Convolution-t distributions
卷积 t 分布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：摘要明确将分布族用于已实现波动率分析，并揭示其潜在因子结构。
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
卷积 t 分布
- 研究问题
- 如何构造既能描述非线性依赖、异质边际和簇结构，又便于密度计算及似然推断的多变量厚尾分布族？
- 方法与思路
- 作者将异质多变量 t 分布进行卷积，构造卷积 t 分布族，给出便于估计的闭式密度，并将其用于已实现波动率的实证分析。
- 材料陈述的贡献
- 摘要称，该分布族兼顾非线性依赖、边际异质性和聚类结构，其闭式密度支持似然推断，并帮助揭示波动率数据的潜在因子结构。
- 阅读关注点
- 应核对卷积构造和闭式密度成立的条件、参数可识别性、尾部与依赖性质，以及实证中的簇结构和因子结构如何区分。
- 阅读边界
- 仅据所给出版社摘要，分布公式、参数限制和实证比较结果未说明；闭式密度的存在不能据此认定估计稳定或普遍优于其他厚尾模型。
原文摘要
We introduce a family of multivariate heavy-tailed distributions, termed convolution-t distributions, constructed as convolutions of heterogeneous multivariate t-distributions. Unlike commonly used heavy-tailed distributions, this family captures nonlinear dependencies, accommodates heterogeneous marginal distributions, and reveals cluster structures prevalent in economic data. Importantly, convolution-t distributions admit simple closed-form densities that facilitate estimation and likelihood-based inference. The characteristic features of convolution-t distributions are shown to be important in an empirical analysis of realized volatility measures and help uncover their underlying factor structure.