Bayesian Analysis of High Dimensional Vector Error Correction Model
高维向量误差修正模型的贝叶斯分析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：摘要的核心方法是非平稳多元时间序列中的 VECM 与协整秩分析，未明确提出金融波动率模型。
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…
高维向量误差修正模型的贝叶斯分析
- 研究问题
- 在变量数量较多而观测数量较少的非平稳多元时间序列中，如何通过贝叶斯分析确定协整关系的数量，并提高样本利用效率？
- 方法与思路
- 作者对向量误差修正模型的协整矩阵进行贝叶斯分析，设计两种算法，在模拟中评估，并应用于标普 500 指数成分股。
- 材料陈述的贡献
- 摘要称，两种算法在高维、小样本模拟中表现有希望；股票应用在样本内训练与样本外测试阶段均发现低波动组合。
- 阅读关注点
- 应核对协整矩阵先验、秩的选择与不确定性表达、两种算法的计算差异，以及组合构造和样本外评估是否避免信息泄漏。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收状态未核实；摘要未给秩选择准确率、组合波动数值或比较基准，不能判断优势大小。
原文摘要
Vector Error Correction Model (VECM) is a classic method to analyse cointegration relationships amongst multivariate non-stationary time series. In this paper, we focus on high dimensional setting and seek for sample-size-efficient methodology to determine the level of cointegration. Our investigation centres at a Bayesian approach to analyse the cointegration matrix, henceforth determining the cointegration rank. We design two algorithms and implement them on simulated examples, yielding promising results particularly when dealing with high number of variables and relatively low number of observations. Furthermore, we extend this methodology to empirically investigate the constituents of the S&P 500 index, where low-volatility portfolios can be found during both in-sample training and out-of-sample testing periods.