Approximate Factor Model with S-vine Copula Structure
具有 S-vine Copula 结构的近似因子模型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。
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：摘要将因子依赖建模应用于股票日收益，并明确开展标普500风险价值估计与预测。
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
具有 S-vine Copula 结构的近似因子模型
- 研究问题
- 近似因子模型如何刻画共同因子之间的复杂依赖，并在不依赖人为旋转限制的情况下估计因子方向，用于金融尾部风险预测？
- 方法与思路
- 作者先用主成分分析提取因子，再结合核密度边际估计与 S-vine copula 最大似然拟合，通过联合拟合获得斜交因子旋转。
- 材料陈述的贡献
- 摘要称建立旋转与 copula 参数一致性、依赖数据下投影经验过程理论及熵估计一致性，并以模拟和标普500风险价值预测展示应用。
- 阅读关注点
- 应核对因子旋转的识别条件、S-vine 结构选择、边际估计误差传递，以及维度与样本量的渐近关系和风险价值预测检验。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未列出理论条件、风险预测数值或基准比较，不能判断尾部预测的普遍改进。
原文摘要
We propose a novel framework for approximate factor models that integrates an S-vine copula structure to capture complex dependencies among common factors. Our estimation procedure proceeds in two steps: first, we apply principal component analysis (PCA) to extract the factors; second, we employ maximum likelihood estimation that combines kernel density estimation for the margins with an S-vine copula to model the dependence structure. Jointly fitting the S-vine copula with the margins yields an oblique factor rotation without resorting to ad hoc restrictions or traditional projection pursuit methods. Our theoretical contributions include establishing the consistency of the rotation and copula parameter estimators, developing asymptotic theory for the factor-projected empirical process under dependent data, and proving the uniform consistency of the projected entropy estimators. Simulation studies demonstrate convergence with respect to both the dimensionality and the sample size. We further assess model performance through Value-at-Risk (VaR) estimation via Monte Carlo methods and apply our methodology to the daily returns of S&P 500 Index constituents to forecast the VaR of S&P 500 index.