Dynamic allocation: extremes, tail dependence, and regime Shifts
动态配置：极端值、尾部依赖与状态转换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：摘要直接讨论下行风险与尾部依赖、GARCH 波动建模及股票因子表现预测。
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
动态配置：极端值、尾部依赖与状态转换
- 研究问题
- 如何同时刻画资产收益中的极端值、波动聚集和尾部依赖，以预测全球市场下行风险、风险状态及股票因子表现？
- 方法与思路
- 作者使用 GARCH-DCC-Copula 风险模型描述收益分布，再构建动态状态转换模型预测实时风险状态，并用于配置策略评估。
- 材料陈述的贡献
- 摘要声称，风险模型能够改善基于风险和超额收益的全球战术配置策略，所识别风险状态对量化股票因子表现具有预测力。
- 阅读关注点
- 应核对尾部分布与 Copula 设定、状态转换规则、实时信息集，以及策略和因子预测的样本外设计、基准与交易成本。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明样本、检验和收益幅度，无法核实策略改善及因子预测的稳健性。
原文摘要
By capturing outliers, volatility clustering, and tail dependence in the asset return distribution, we build a sophisticated model to predict the downside risk of the global financial market. We further develop a dynamic regime switching model that can forecast real-time risk regime of the market. Our GARCH-DCC-Copula risk model can significantly improve both risk- and alpha-based global tactical asset allocation strategies. Our risk regime has strong predictive power of quantitative equity factor performance, which can help equity investors to build better factor models and asset allocation managers to construct more efficient risk premia portfolios.