High-dimensional copula-based distributions with mixed frequency data
利用混频数据的高维 Copula 资产收益分布模型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：摘要明确使用高频金融数据预测资产收益的线性依赖；未明确研究收益均值预测、尾部风险或金融因子。
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
利用混频数据的高维 Copula 资产收益分布模型
- 研究问题
- 研究如何利用混频数据建立高维资产收益联合分布，同时分别刻画线性和非线性依赖，并使模型能够用于数百个变量。
- 方法与思路
- 作者用高频数据预测线性依赖，再以新型 Copula 描述去除线性相关后的低频残差依赖，并用复合似然估计以支持高维应用。
- 材料陈述的贡献
- 摘要称提出了结合混频信息与依赖分解的高维分布模型，并报告在标普一百指数成分股日收益的样本内外检验中表现更优。
- 阅读关注点
- 应核对线性依赖分解和残差构造、新 Copula 的约束及复合似然性质，以及样本内外比较的指标、基准和不确定性。
- 阅读边界
- 本导读限于所给出版社摘要；Copula 形式、理论条件与优势幅度未说明，依赖预测也不等于已展示收益均值预测或尾部风险改进。
原文摘要
This paper proposes a new model for high-dimensional distributions of asset returns that utilizes mixed frequency data and copulas. The dependence between returns is decomposed into linear and nonlinear components, enabling the use of high frequency data to accurately forecast linear dependence, and a new class of copulas designed to capture nonlinear dependence among the resulting uncorrelated, low frequency, residuals. Estimation of the new class of copulas is conducted using composite likelihood, facilitating applications involving hundreds of variables. In- and out-of-sample tests confirm the superiority of the proposed models applied to daily returns on constituents of the S&P 100 index.