Modeling covariance breakdowns in multivariate GARCH
多元 GARCH 中协方差结构突变的建模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：摘要直接建模金融市场条件方差、协方差与相关系数，并使用多元 GARCH 和股债数据。
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
多元 GARCH 中协方差结构突变的建模
- 研究问题
- 如何在多元 GARCH 中刻画不同突变时期对条件方差、协方差和相关系数的异质影响，并由数据估计这些变化？
- 方法与思路
- 作者在多元 GARCH 中引入允许协方差结构变化的随机成分，提出贝叶斯后验抽样程序和边际似然计算方法，并应用于日频股债数据。
- 材料陈述的贡献
- 摘要称，模型识别出多种协方差结构突变，并在该应用中显著改善边际似然和组合选择表现，但未提供具体改善幅度。
- 阅读关注点
- 应核对突变成分的设定、协方差矩阵约束、先验与抽样步骤，并查看边际似然比较基准和组合表现的评价方式。
- 阅读边界
- 仅依据所给出版社摘要；摘要未说明突变次数、日期、先验敏感性或组合评价细节，所述应用收益不能据此推广为普遍优势。
原文摘要
This paper proposes a flexible way of modeling dynamic heterogeneous covariance breakdowns in multivariate GARCH models through a stochastic component that allows for changes in the conditional variances, covariances and implied correlation coefficients. Different breakdown periods will have different impacts on the conditional covariance matrix and are estimated from the data. We propose an efficient Bayesian posterior sampling procedure and show how to compute the marginal likelihood. Applied to daily stock market and bond market data, we identify a number of different covariance breakdowns which leads to a significant improvement in the marginal likelihood and gains in portfolio choice.