Modeling Dependence in High Dimensions With Factor Copulas
用因子 Copula 建模高维依赖结构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：潜在因子 Copula 与股票收益的尾部依赖、系统性风险应用，直接支持金融因子和尾部与系统性风险分类。
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
用因子 Copula 建模高维依赖结构
- 研究问题
- 面对五十个及更多经济变量，如何以潜在因子描述灵活的联合依赖结构，并刻画金融收益的尾部、异质性和非对称依赖？
- 方法与思路
- 作者构造潜因子 Copula 并配合半参数边际分布，借助极值理论分析尾部依赖，以秩统计量模拟估计，并用碎石图辅助选因子数。
- 材料陈述的贡献
- 摘要称秩统计量模拟估计在高维中可靠，标普100成分股日收益应用显示下跌期依赖更强，并称某些系统性风险指标的估计更优。
- 阅读关注点
- 重点核对潜因子的分布及条件依赖设定、尾部依赖解析结果、秩统计量模拟估计的识别，以及系统性风险比较的指标和基准。
- 阅读边界
- 摘要未列出系统性风险的具体指标、比较基准及估计误差；模拟估计可靠性和相对优势的适用范围仍须核对正文与补充材料。
原文摘要
This article presents flexible new models for the dependence structure, or copula, of economic variables based on a latent factor structure. The proposed models are particularly attractive for relatively high-dimensional applications, involving 50 or more variables, and can be combined with semiparametric marginal distributions to obtain flexible multivariate distributions. Factor copulas generally lack a closed-form density, but we obtain analytical results for the implied tail dependence using extreme value theory, and we verify that simulation-based estimation using rank statistics is reliable even in high dimensions. We consider “scree” plots to aid the choice of the number of factors in the model. The model is applied to daily returns on all 100 constituents of the S&P 100 index, and we find significant evidence of tail dependence, heterogeneous dependence, and asymmetric dependence, with dependence being stronger in crashes than in booms. We also show that factor copula models provide superior estimates of some measures of systemic risk. Supplementary materials for this article are available online.