DETECTING FINANCIAL DATA DEPENDENCE STRUCTURE BY AVERAGING MIXTURE COPULAS
通过混合 Copula 平均估计金融数据依赖结构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：摘要明确涉及金融收益依赖结构，但未说明资产定价、尾部或系统性风险等给定细分方向的具体目标。
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
通过混合 Copula 平均估计金融数据依赖结构
- 研究问题
- 当不同市场之间的依赖结构各不相同时，如何在混合 Copula 框架中组合候选模型，并在工作模型误设时改善依赖结构估计？
- 方法与思路
- 作者以模型平均估计金融数据依赖结构，通过 J 折交叉验证选择权重，分析平方估计损失，并用模拟与股票指数日收益数据展示。
- 材料陈述的贡献
- 摘要称，组合估计量具有平方损失意义的渐近最优性；在所考察的误设模拟及四个发达经济体的指数数据中优于部分比较方法。
- 阅读关注点
- 应核对平均的对象与候选 Copula 集合、交叉验证如何处理收益依赖，以及渐近最优性的比较基准和实证估计精度的评价方式。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定依赖指标、误设形式或改善幅度；依赖结构估计的优势不能直接解释为尾部风险识别或预测优势。
原文摘要
A mixture copula is a linear combination of several individual copulas that can be used to generate dependence structures not belonging to existing copula families. Because different pairs of markets may exhibit quite different dependence structures in empirical studies, mixture copulas are useful in modeling the dependence in financial data. Therefore, rather than selecting a single copula based on certain criteria, we propose using a model averaging approach to estimate financial data dependence structures in a mixture copula framework. We select weights (for averaging) by a J -fold Cross-Validation procedure. We prove that the model averaging estimator is asymptotically optimal in the sense that it minimizes the squared estimation loss. Our simulation results show that the model averaging approach outperforms some competing methods when the working mixture model is misspecified. Using 12 years of data on daily returns from four developed economies’ stock indexes, we show that the model averaging approach more accurately estimates their dependence structures than some competing methods.