Bayesian Modular Inference for Copula Models with Potentially Misspecified Marginals
边际可能误设的 Copula 模型的贝叶斯模块化推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确提到用偏正态 Copula 建模股票波动率与债券收益率的非对称依赖，并强调对边际误设稳健化 Copula 估计，直接对应波动率与尾部/依赖风险方向。
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…
边际可能误设的 Copula 模型的贝叶斯模块化推断
- 研究问题
- 摘要关注的问题是：在多元 Copula 模型中，当各边际分布可能存在不同程度误设时，如何稳健地对边际与 Copula 函数分别进行贝叶斯推断，并避免误设模块污染其他模块。
- 方法与思路
- 作者提出一种新的 Copula 半模块化推断（SMI）方法，为每个边际分配独立模块与各自的影响参数，从而推广仅用单一影响参数在 cut 后验与传统后验间插值的两模块方法；影响参数通过贝叶斯优化选取，将 2^d 个 cut/uncut 组合的离散优化连续松弛。
- 材料陈述的贡献
- 摘要称其贡献在于：提出新的 Copula SMI 方法及基于贝叶斯优化的影响参数选择；给出所得半模块化后验的理论性质；并在模拟数据与真实数据上演示。真实数据应用使用偏正态 Copula 刻画股票波动率与债券收益率之间的非对称依赖。
- 阅读关注点
- 阅读全文时应核对：各边际模块与影响参数的具体设定、半模块化后验理论性质的条件与证明、贝叶斯优化如何近似 2^d 离散配置、模拟设计能否体现误设程度差异，以及真实数据中偏正态 Copula 与边际模型的设定和稳健性结论。
- 阅读边界
- 仅凭摘要无法判断理论性质的具体内容与成立条件、优化算法的收敛与计算成本、模拟与实证的数值表现，也无法据此确认方法相对既有两模块 SMI 的实际优势；该摘要来自 arXiv 预印本，未经同行评审验证。
原文摘要
Copula models of multivariate data are popular because they allow separate specification of marginal distributions and the copula function. These components can be treated as inter-related modules in a modified Bayesian inference approach called ''cutting feedback'' that is robust to their misspecification. Recent work uses a two module approach, where all $d$ marginals form a single module, to robustify inference for the marginals against copula function misspecification, or vice versa. However, marginals can exhibit differing levels of misspecification, making it attractive to assign each its own module with an individual influence parameter controlling its contribution to a joint semi-modular inference (SMI) posterior. This generalizes existing two module SMI methods, which interpolate between cut and conventional posteriors using a single influence parameter. We develop a novel copula SMI method and select the influence parameters using Bayesian optimization. It provides an efficient continuous relaxation of the discrete optimization problem over $2^d$ cut/uncut configurations. We establish theoretical properties of the resulting semi-modular posterior and demonstrate the approach on simulated and real data. The real data application uses a skew-normal copula model of asymmetric dependence between equity volatility and bond yields, where robustifying copula estimation against marginal misspecification is strongly motivated.