Time series copulas for heteroskedastic data
异方差数据的时间序列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：摘要直接讨论异方差时间序列的序列依赖和波动共动、溢出，并提供汇率收益与VaR预测应用，对应时间序列、波动率和尾部风险。
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…
异方差数据的时间序列Copula模型
- 研究问题
- 如何用参数化Copula刻画平稳异方差序列的序列依赖，构造波动共动与溢出指标，并用于汇率收益分布刻画和VaR预测？
- 方法与思路
- 作者先构造一阶马尔可夫序列的Copula，再扩展至高阶和多变量序列；通过推导波动代理变量的Copula定义波动依赖指标。
- 材料陈述的贡献
- 摘要称该框架给出波动共动与溢出指标，并在汇率收益应用中较所比较的GARCH模型更准确刻画边际分布和预测VaR。
- 阅读关注点
- 核对平稳性与马尔可夫阶数限制、边际分布的设定，以及波动代理变量、依赖指标和VaR预测比较对模型选择的敏感性。
- 阅读边界
- 波动依赖指标通常随边际分布变化；摘要未说明比较模型、评价指标及参数限制，所称波动溢出也不能直接解释为因果效应。
原文摘要
Summary We propose parametric copulas that capture serial dependence in stationary heteroskedastic time series. We suggest copulas for first‐order Markov series, and then extend them to higher orders and multivariate series. We derive the copula of a volatility proxy, based on which we propose new measures of volatility dependence, including co‐movement and spillover in multivariate series. In general, these depend upon the marginal distributions of the series. Using exchange rate returns, we show that the resulting copula models can capture their marginal distributions more accurately than univariate and multivariate generalized autoregressive conditional heteroskedasticity models, and produce more accurate value‐at‐risk forecasts.