Uncovering Sparse Financial Networks with Information Criteria
利用信息准则识别稀疏金融网络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：摘要以金融系统性风险传导为动机，采用预测误差方差分解及样本外预测进行网络选择。
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
利用信息准则识别稀疏金融网络
- 研究问题
- 基于预测误差方差分解的金融关联网络通常过于稠密，如何识别活跃的溢出通道并改善系统性风险传导的刻画？
- 方法与思路
- 作者将方差分解关联性改写为回归问题，用信息准则选择通道，扩展至相关冲击，并以伪样本外预测表现调节惩罚。
- 材料陈述的贡献
- 摘要称方法能够一致恢复活跃通道集合，模拟考察近似稀疏网络和厚尾误差，并在股票市场、行业指数及商品期货中应用。
- 阅读关注点
- 应核对活跃集合一致恢复的条件、广义方差分解的解释、惩罚参数选择流程，以及网络稀疏性与风险传导含义的联系。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未列出选择一致性的条件，也未提供模拟或应用的数值。
原文摘要
Empirical measures of financial connectedness based on Forecast Error Variance Decompositions (FEVDs) often yield dense network structures that obscure true transmission channels and complicate the identification of systemic risk. This paper proposes a novel information-criterion-based approach to uncover sparse, economically meaningful financial networks. By reformulating FEVD-based connectedness as a regression problem, we develop a model selection framework that consistently recovers the active set of spillover channels. We extend this method to generalized FEVDs to accommodate correlated shocks and introduce a data-driven procedure for tuning the penalty parameter using pseudo-out-of-sample forecast performance. Monte Carlo simulations demonstrate the approach's effectiveness with finite samples and its robustness to approximately sparse networks and heavy-tailed errors. Applications to global stock markets, S&P 500 sectoral indices, and commodity futures highlight the prevalence of sparse networks in empirical settings.