Bayesian semiparametric modeling of realized covariance matrices
已实现协方差矩阵的贝叶斯半参数建模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：摘要直接建模已实现协方差矩阵，并研究协方差及收益的密度预测与点预测。
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
已实现协方差矩阵的贝叶斯半参数建模
- 研究问题
- 如何灵活刻画已实现协方差矩阵未知的条件分布与时间依赖，并将其与收益联合建模以改善分布预测？
- 方法与思路
- 作者将动态 Wishart 模型扩展为 Wishart 与逆 Wishart 的可数无限混合，设置固定或时变权重，并与收益构成联合模型。
- 材料陈述的贡献
- 摘要称新模型在报告的预测比较中显著改善协方差矩阵与收益的密度预测，同时提供具有竞争力的协方差矩阵点预测。
- 阅读关注点
- 应核对混合先验、时变权重及联合模型结构，后验计算与预测评价方法，以及密度预测改善所依据的基准和统计检验。
- 阅读边界
- 仅据所给出版社摘要，无法判断先验敏感性、预测样本或改善幅度；摘要所称显著改善仍需结合其评价设计核对。
原文摘要
This paper introduces several new Bayesian nonparametric models suitable for capturing the unknown conditional distribution of realized covariance (RCOV) matrices. Existing dynamic Wishart models are extended to countably infinite mixture models of Wishart and inverse-Wishart distributions. In addition to mixture models with constant weights we propose models with time-varying weights to capture time dependence in the unknown distribution. Each of our models can be combined with returns to provide a coherent joint model of returns and RCOV. The extensive forecast results show the new models provide very significant improvements in density forecasts for RCOV and returns and competitive point forecasts of RCOV.