Dynamic stochastic copula models: estimation, inference and applications
动态随机 Copula 模型：估计、推断与应用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：摘要明确涉及潜在波动率、随机相关与多元随机波动率模型，并将方法用于股票指数序列。
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
动态随机 Copula 模型：估计、推断与应用
- 研究问题
- 如何让多变量依赖关系随潜在随机过程变化，并在同时存在随机波动率时估计模型、检验拟合和预测依赖参数？
- 方法与思路
- 作者令 Copula 依赖参数遵循自回归过程，先估计边际分布再估计依赖部分，并用高效重要性抽样处理潜在过程。
- 材料陈述的贡献
- 摘要称模型推广了多元随机波动率框架，并讨论拟合检验与依赖预测；在两组双变量股指序列中优于标准竞争模型。
- 阅读关注点
- 应核对依赖参数的可行域、两步估计的不确定性处理、重要性抽样精度，以及股指比较采用的模型与评价准则。
- 阅读边界
- 仅据所给 Crossref 版本摘要，优于竞争模型的具体指标和幅度未说明，也不能推出对其他资产或尾部风险普遍有效。
原文摘要
SUMMARY We propose a new dynamic copula model in which the parameter characterizing dependence follows an autoregressive process. As this model class includes the Gaussian copula with stochastic correlation process, it can be viewed as a generalization of multivariate stochastic volatility models. Despite the complexity of the model, the decoupling of marginals and dependence parameters facilitates estimation. We propose estimation in two steps, where first the parameters of the marginal distributions are estimated, and then those of the copula. Parameters of the latent processes (volatilities and dependence) are estimated using efficient importance sampling. We discuss goodness‐of‐fit tests and ways to forecast the dependence parameter. For two bivariate stock index series, we show that the proposed model outperforms standard competing models. Copyright © 2010 John Wiley & Sons, Ltd.