Bayesian parametric and semiparametric factor models for large realized covariance matrices
大规模已实现协方差矩阵的贝叶斯参数与半参数因子模型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：摘要以资产已实现协方差矩阵为对象，并提出因子结构及其混合分布，直接对应金融波动率与金融因子建模。
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
大规模已实现协方差矩阵的贝叶斯参数与半参数因子模型
- 研究问题
- 如何为大规模已实现协方差矩阵建立可用完整似然估计的因子模型，并在计算可行的条件下允许灵活的非参数因子分布？
- 方法与思路
- 作者提出新的因子结构及参数、非参数版本，将因子建模为狄利克雷过程混合或无限隐马尔可夫混合，形成无限逆 Wishart 分布混合。
- 材料陈述的贡献
- 摘要称新结构支持灵活的非参数混合，十资产与六十资产应用表现良好；借助并行计算，模型估计可在数分钟内完成。
- 阅读关注点
- 阅读时应核对因子结构如何维持协方差矩阵的正定性、两类混合模型的设定，以及应用评价指标、并行实现与耗时比较条件。
- 阅读边界
- 摘要仅笼统称两组资产应用表现良好，未说明评价指标、比较基准、样本区间及计算硬件，无法判断实际改进幅度与泛化表现。
原文摘要
Summary This paper introduces a new factor structure suitable for modeling large realized covariance matrices with full likelihood‐based estimation. Parametric and nonparametric versions are introduced. Because of the computational advantages of our approach, we can model the factor nonparametrically as a Dirichlet process mixture or as an infinite hidden Markov mixture, which leads to an infinite mixture of inverse‐Wishart distributions. Applications to 10 assets and 60 assets show that the models perform well. By exploiting parallel computing the models can be estimated in a matter of a few minutes.