Dynamic discrete copula models for high‐frequency stock price changes
高频股票价格变动的动态离散 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：摘要明确研究整数报价变动的日内依赖，并以高维计算和日内样本外密度预测为重点，文本依据直接对应高频计量。
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…
高频股票价格变动的动态离散 Copula 模型
- 研究问题
- 作者研究以整数报价单位变化的股票价格之间的日内动态依赖，关注如何在高维离散数据中有效计算联合分布并进行短期密度预测。
- 方法与思路
- 作者采用得分驱动的离散 Copula 参数与 Skellam 边际参数，并以数值积分近似联合概率质量函数中的积分，降低高维计算成本。
- 材料陈述的贡献
- 摘要称，模拟支持计算近似的准确性；10只美国银行股的应用显示依赖通常日内上升，且一步样本外密度预测优于所列基准。
- 阅读关注点
- 应核对离散 Copula 的积分构造及误差评估、模拟维度与计算成本、日内季节性的处理，以及样本外密度预测的评分和比较程序。
- 阅读边界
- 摘要未给出预测改进幅度、统计显著性、模拟设计或报价数据处理细节；10只银行股的结果不能直接推广到其他资产或更高维系统。
原文摘要
Summary We develop a dynamic model for the intraday dependence between discrete stock price changes. The conditional copula mass function for the integer tick‐size price changes has time‐varying parameters that are driven by the score of the predictive likelihood function. The marginal distributions are Skellam and also have score‐driven time‐varying parameters. We show that the integration steps in the copula mass function for large dimensions can be accurately approximated via numerical integration. The resulting computational gains lead to a methodology that can treat high‐dimensional applications. Its accuracy is shown by an extensive simulation study. In our empirical application of 10 US bank stocks, we reveal strong evidence of time‐varying intraday dependence patterns: Dependence starts at a low level but generally rises during the day. Based on one‐step‐ahead out‐of‐sample density forecasting, we find that our new model outperforms benchmarks for intraday dependence such as the cubic spline model, the fixed correlation model, or the rolling average realized correlation.