Detecting Giver and Receiver Spillover Groups in Large Vector Autoregressions
大型 VAR 中溢出发送组与接收组的识别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：摘要研究大型 VAR 的溢出结构，实证对象是股票成分的波动率指标。
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
大型 VAR 中溢出发送组与接收组的识别
- 研究问题
- 在大型向量自回归中，如何依据溢出结构同时识别影响输出方和接收方的分组，而不只得到单一分组结构？
- 方法与思路
- 作者提出按溢出结构划分序列的算法，在一类基于网络的 VAR 数据生成模型下分析其性质，并用于股票波动率面板。
- 材料陈述的贡献
- 摘要称算法能够同时检测发送组和接收组，并在所研究的网络 VAR 模型类内一致识别分组；应用考察标普一百成分股。
- 阅读关注点
- 应核对溢出及两类分组的定义、算法步骤、分组可区分条件，以及理论保证如何随系统维度与样本量变化。
- 阅读边界
- 仅据所给 OpenAlex 摘要版本解读；一致性结论限于摘要提及的模型类，具体条件和应用分组结果未说明，不能推断刊本变化。
原文摘要
I propose an algorithm that partitions the series of a large vector autoregression (VAR) into groups based on the spillover structure. The novelty of the procedure is that it is capable of simultaneously detecting both the giver and receiver group structures. I study the properties of the algorithm when the data are generated by a class of network-based VAR models and show that it consistently detects the groups within this class. The methodology is applied to study the spillover group structure in a panel of volatility measures for the constituents of the S&P 100.