Cluster GARCH
聚类 GARCHAI 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：摘要以多元 GARCH 建模条件相关动态，并明确处理资产收益的尾部依赖，对应波动率与尾部风险。
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…
聚类 GARCH
- 研究问题
- 在高维资产收益系统中，如何同时刻画条件相关矩阵与尾部依赖的聚类结构，并保持模型似然及动态相关估计的可计算性？
- 方法与思路
- 作者提出采用灵活卷积 t 分布的多元 Cluster GARCH 模型，利用可处理的对数似然及其导数构建得分驱动的动态相关结构。
- 材料陈述的贡献
- 摘要称模型能容纳相关与尾部依赖的聚类结构，并在一百项资产的日收益应用中获得较好的样本内外表现及分布拟合表现。
- 阅读关注点
- 应核对聚类结构如何设定或确定、卷积 t 分布的参数化、相关矩阵约束，以及样本内外比较的基准和评价指标。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；比较指标、结果数值及聚类选择方法未说明，无法判断优势的普遍性，也不能推断后续刊本变化。
原文摘要
We introduce a novel multivariate GARCH model with flexible convolution-t distributions that is applicable in high-dimensional systems. The model is called Cluster GARCH because it can accommodate cluster structures in the conditional correlation matrix and in tail dependencies. The expressions for the log-likelihood function and its derivatives are tractable, and the latter facilitate a score-driven model for the dynamic correlation structure. We apply the Cluster GARCH model to daily returns for 100 assets and find that it outperforms existing models, both in-sample and out-of-sample. Moreover, the convolution-t distribution provides a better empirical performance than the conventional multivariate t-distribution.