Modeling systemic risk with Markov Switching Graphical SUR models
用马尔可夫转换图结构SUR模型刻画系统性风险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：摘要明确以系统性风险、多因子资产定价及企业间连接和中心性为研究内容。
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…
用马尔可夫转换图结构SUR模型刻画系统性风险
- 研究问题
- 如何结合多因子资产定价与企业间图结构，刻画时变系统性风险，并考察企业中心性与市场价值、实际损失的关系？
- 方法与思路
- 作者提出马尔可夫转换图结构似不相关回归模型，并设计MCMC方案，使用新的加权特征向量中心性度量识别潜在状态。
- 材料陈述的贡献
- 摘要称，标普100成分股间连接在特定时期显著增强；企业中心性与市值不相关，而与实际金融损失呈正向联系。
- 阅读关注点
- 应核对图连接与系统性风险的定义、潜在状态识别机制，以及中心性和损失关系的统计检验、控制变量与稳健性。
- 阅读边界
- 仅据所给出版社摘要，不能将中心性与损失的联系解释为因果效应；连接估计、显著性检验条件及风险预测能力未说明。
原文摘要
We propose a Markov Switching Graphical Seemingly Unrelated Regression (MS-GSUR) model to investigate time-varying systemic risk based on a range of multi-factor asset pricing models. Methodologically, we develop a Markov Chain Monte Carlo (MCMC) scheme in which latent states are identified on the basis of a novel weighted eigenvector centrality measure. An empirical application to the constituents of the S&P100 index shows that cross-firm connectivity significantly increased over the period 1999–2003 and during the financial crisis in 2008–2009. Finally, we provide evidence that firm-level centrality does not correlate with market values and it is instead positively linked to realized financial losses.