Dynamic factor copula models with estimated cluster assignments
基于估计分组的动态因子 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：摘要明确研究股票收益的动态多因子依赖结构，并进行样本外预测比较。
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
基于估计分组的动态因子 Copula 模型
- 研究问题
- 在高维收益时间序列中，如何从数据估计变量分组，并考察这种分组相对行业代码分组对动态依赖建模和样本外预测的影响？
- 方法与思路
- 作者提出动态多因子 Copula，将变量所属群组作为待估对象，并改造 k-means 聚类算法，使其适用于模型中的分组估计。
- 材料陈述的贡献
- 摘要称，美国股票应用中约二十组较优；仅用五个估计群组的模型，样本外预测也显著优于使用二十一个行业代码群组的对应模型。
- 阅读关注点
- 应核对聚类目标与模型估计如何衔接、群组数量的选择标准，以及样本外比较使用的预测对象、评价指标和显著性检验。
- 阅读边界
- 仅据所给出版社摘要，无法判断聚类恢复所需条件及预测优势的适用范围；摘要未提供具体误差数值，也不能推断其他版本变化。
原文摘要
This paper proposes a dynamic multi-factor copula for use in high-dimensional time series applications. A novel feature of our model is that the assignment of individual variables to groups is estimated from the data, rather than being pre-assigned using SIC industry codes, market capitalization ranks, or other ad hoc methods. We adapt the k-means clustering algorithm for use in our application and show that it has excellent finite-sample properties. Applying the new model to returns on 110 US equities, we find around 20 clusters to be optimal. In out-of-sample forecasts, we find that a model with as few as five estimated clusters significantly outperforms an otherwise identical model with 21 clusters formed using two-digit SIC codes.