Modeling Dynamic Correlation Matrices with Shrinkage Priors
用收缩先验建模动态相关矩阵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：摘要核心是时变相关矩阵与多元因子随机波动率模型，并应用于股票组合在金融压力期的相关性监测，直接对应波动率、时间序列与系统性风险方向。
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…
用收缩先验建模动态相关矩阵
- 研究问题
- 如何在中等维度下估计随时间变化的相关矩阵，使其能较快适应结构变化、施加充分正则化并给出有信息量的后验不确定性，同时把演化中的相依结构概括为可用于决策的标量指标？
- 方法与思路
- 作者提出贝叶斯方法：采用低秩因子表示，潜在状态服从动态收缩先验演化，观测误差服从多元因子随机波动率模型，从而对相关结构实现局部自适应的时变正则化；并基于总相关这一信息论概念构造横截面相依的标量度量。
- 材料陈述的贡献
- 摘要称建立了据其所知首个针对动态正则化贝叶斯模型的后验收缩结果，在平均 Hellinger 距离下以显式速率收缩到真实参数；模拟研究显示在多种困难情形下相对竞争方法在准确性与响应速度上有改进，并应用于金融市场压力期股票组合相关性的演化监测。
- 阅读关注点
- 应核对低秩因子表示与动态收缩先验的具体设定、识别与正则化强度的选择；后验收缩定理的假设条件、速率含义及与维度的关系；总相关标量的定义与解释；模拟对比的设定与评价指标；股票组合应用的数据、压力期划分与结论稳健性。
- 阅读边界
- 仅依据摘要，无法判断定理假设是否现实、模拟与实证的具体数值结果、与竞争方法的可比性，以及方法在更高维度或更一般相依结构下的表现；摘要未说明先验超参数选择、计算算法与收敛诊断等实现细节。
原文摘要
Estimating time-varying correlation matrices is challenging because existing methods may adapt slowly to structural changes, impose insufficient regularization, or produce diffuse posterior uncertainty. In moderate dimensions, an additional difficulty is summarizing the estimated evolving dependence structure for downstream decision-making tasks. We propose a Bayesian approach based on a low-rank factor representation, with latent states evolving under a dynamic shrinkage prior and observation errors following a multivariate factor stochastic volatility model. This specification allows locally adaptive regularization of the estimated correlation structure over time and informative uncertainty quantification. We establish, to our knowledge, a first-of-its-kind posterior contraction result for dynamically regularized Bayesian models, showing contraction around the true model parameters at an explicit rate under averaged Hellinger distance. To summarize the estimated correlation matrices, we build on the information-theoretic concept of total correlation to obtain a scalar measure of cross-sectional dependence. Simulation studies show improved accuracy and responsiveness relative to competing methods in a range of challenging scenarios. We then apply our method to monitoring the correlation evolution of equity portfolios during periods of financial market stress.