Asymptotics of Cholesky GARCH models and time-varying conditional betas
Cholesky-GARCH模型与时变条件贝塔的渐近理论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：摘要以条件方差矩阵的GARCH模型估计时变条件贝塔，直接涉及波动率与资产定价参数。
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…
Cholesky-GARCH模型与时变条件贝塔的渐近理论
- 研究问题
- 如何通过条件方差矩阵的Cholesky分解建模时变斜率，并建立估计理论及评估其条件贝塔与风险管理用途？
- 方法与思路
- 作者提出CHAR模型，推导平稳性和可逆性条件，分析整体及逐方程QML估计，并用真实数据比较投资组合与风险管理表现。
- 材料陈述的贡献
- 摘要称，作者证明QML估计的一致性和渐近正态性；在所报告应用中，CHAR优于常数贝塔和所比较的动态条件贝塔模型。
- 阅读关注点
- 应核对Cholesky分解中变量排序的作用、平稳与可逆条件，以及两类QML估计和应用比较采用的损失指标。
- 阅读边界
- 所给出版社摘要未给出理论条件、数据范围及表现改善数值；摘要所述优势限于其应用，不能据此认定普遍优越性。
原文摘要
This paper proposes a new model with time-varying slope coefficients. Our model, called CHAR, is a Cholesky-GARCH model, based on the Cholesky decomposition of the conditional variance matrix introduced by Pourahmadi (1999) in the context of longitudinal data. We derive stationarity and invertibility conditions and prove consistency and asymptotic normality of the Full and equation-by-equation QML estimators of this model. We then show that this class of models is useful to estimate conditional betas and compare it to the approach proposed by Engle (2016). Finally, we use real data in a portfolio and risk management exercise. We find that the CHAR model outperforms a model with constant betas as well as the dynamic conditional beta model of Engle (2016).