A Multivariate Generalized Orthogonal Factor GARCH Model
多元广义正交因子 GARCH 模型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：摘要直接建立多元因子 GARCH 条件协方差模型，并用于汇率收益的波动传递检验，对应金融因子和波动率方向。
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
多元广义正交因子 GARCH 模型
- 研究问题
- 如何用因子 GARCH 模型刻画多元收益的条件协方差，检验因子数量是否正确，并分析汇率收益之间的波动传递？
- 方法与思路
- 作者提出因子 GARCH 模型，以简便的初步估计配合最大似然估计，在常规高斯似然之外考虑高斯混合设定，并构造因子数检验。
- 材料陈述的贡献
- 摘要称，高斯混合设定可识别正态设定下某些不可识别的条件协方差参数；文章还提出因子数检验，并以汇率收益展示应用。
- 阅读关注点
- 应核对因子数检验的原假设与条件、初步估计和最大似然估计的衔接，以及混合分布下参数识别与波动传递检验的依据。
- 阅读边界
- 摘要未说明混合分布的具体形式、识别所需条件及汇率样本，也未报告波动传递结果，不能据此判断拟合优势或实际传递方向。
原文摘要
We propose a factor generalized autoregressive conditional heteroscedasticity (GARCH) model and develop test procedures for checking the correctness of the number of factors. Maximum likelihood estimation of the model is straightforward once computationally simple preliminary estimates are obtained. Motivated by the empirical application of the article, a mixture of Gaussian distributions is considered in addition to the conventional Gaussian likelihood. Interestingly, some parameters of the conditional covariance matrix that are not identifiable under normality, can be identified when the mixture specification is used. As an empirical example, modeling a system of exchange rate returns and testing for volatility transmission is considered.