Network quantile autoregression
网络分位数自回归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：摘要以网络分位数动态和尾部依赖为核心，并研究股票市场金融传染，直接对应网络、分布及尾部与系统性风险。
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…
网络分位数自回归
- 研究问题
- 如何刻画大量节点构成的动态网络中的分位数行为与尾部依赖，并研究共同持股联系下中国股票市场的金融传染？
- 方法与思路
- 作者建立网络分位数自回归方程组，将节点响应关联到相邻节点及自身特征，推导网络 Bahadur 表示并定义尾部事件驱动脉冲函数。
- 材料陈述的贡献
- 摘要称，在网络结构假设下给出估计与渐近性质；股票市场应用发现，市场波动水平较高时网络依赖也较高。
- 阅读关注点
- 应核对网络结构与依赖假设、Bahadur 表示的适用范围，以及尾部事件脉冲函数的定义和共同持股网络的构造方式。
- 阅读边界
- 仅据所列出版社摘要，网络假设、估计细节和实证量级均未说明；网络依赖与波动的关系不能直接视为因果传染效应。
原文摘要
The complex tail dependency structure in a dynamic network with a large number of nodes is an important object to study. We propose a network quantile autoregression model (NQAR), which characterizes the dynamic quantile behavior. Our NQAR model consists of a system of equations, of which we relate a response to its connected nodes and node specific characteristics in a quantile autoregression process. We show the estimation of the NQAR model and the asymptotic properties with assumptions on the network structure. For this propose we develop a network Bahadur representation that gives us direct insight into the parameter asymptotics. Moreover, innovative tail-event driven impulse functions are defined. Finally, we demonstrate the usage of our model by investigating the financial contagions in the Chinese stock market accounting for shared ownership of companies. We find higher network dependency when the market is exposed to a higher volatility level.