Dynamic Factor Models for Multivariate Count Data: An Application to Stock-Market Trading Activity
多元计数数据的动态因子模型：股票市场交易活动应用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：摘要明确采用共同与个别动态因子建模股票五分钟交易笔数，因此对应金融因子与高频计量。
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…
多元计数数据的动态因子模型：股票市场交易活动应用
- 研究问题
- 如何用共同与个别的潜在动态因子刻画多条计数序列之间的同期关联和序列相关，并有效估计含高维未观测因子的模型？
- 方法与思路
- 作者在泊松与负二项分布下设定动态计数因子模型，用高效重要性抽样计算边际似然，并以五只股票的五分钟交易笔数进行应用。
- 材料陈述的贡献
- 摘要称，模型较简约地刻画了股票交易笔数的同期和序列相关，并发现共同因子的明显证据；作者将该因子解释为全市场消息。
- 阅读关注点
- 应核对潜在因子的识别与动态设定、泊松和负二项分布的比较、重要性抽样的数值误差，以及共同因子解释是否有额外证据。
- 阅读边界
- 摘要未给出因子识别条件、数值精度指标或外部消息验证；应用仅含五只股票，将共同因子解释为市场消息属于作者的解释。
原文摘要
We propose a dynamic factor model for the analysis of multivariate time series count data. Our model allows for idiosyncratic as well as common serially correlated latent factors in order to account for potentially complex dynamic interdependence between series of counts. The model is estimated under alternative count distributions (Poisson and negative binomial). Maximum likelihood estimation requires high-dimensional numerical integration in order to marginalize the joint distribution with respect to the unobserved dynamic factors. We rely upon the Monte Carlo integration procedure known as efficient importance sampling, which produces fast and numerically accurate estimates of the likelihood function. The model is applied to time series data consisting of numbers of trades in 5-min intervals for five New York Stock Exchange (NYSE) stocks from two industrial sectors. The estimated model provides a good parsimonious representation of the contemporaneous correlation across the individual stocks and their serial correlation. It also provides strong evidence of a common factor, which we interpret as reflecting market-wide news.