Structural VAR and financial networks: A minimum distance approach to spatial modeling
结构VAR与金融网络：空间建模的最小距离方法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：摘要直接结合结构VAR、网络矩阵估计与股票市场已实现波动率溢出应用。
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
结构VAR与金融网络：空间建模的最小距离方法
- 研究问题
- 能否将时间序列空间模型表示为受约束的结构VAR，从结构VAR估计中恢复金融网络及其总体影响，并检验两者的距离？
- 方法与思路
- 作者将时间序列空间模型解释为受约束SVAR，提出网络矩阵与总体影响参数的最小距离估计，并构造Wald型距离检验。
- 材料陈述的贡献
- 摘要称，方法可估计行标准化网络矩阵并检验模型距离，同时讨论机器学习识别路径，应用于主要股票市场的波动溢出。
- 阅读关注点
- 应核对空间模型对应的SVAR限制、网络矩阵可恢复的条件、机器学习识别的具体依据，以及距离检验的渐近适用条件。
- 阅读边界
- 摘要未说明完整识别限制、网络估计误差或检验表现；每日已实现波动率数据的使用也不能单独证明溢出的因果方向。
原文摘要
Summary In this paper, I interpret a time series spatial model (T‐SAR) as a constrained structural vector autoregressive (SVAR) model. Based on these restrictions, I propose a minimum distance approach to estimate the (row‐standardized) network matrix and the overall network influence parameter of the T‐SAR from the SVAR estimates. I also develop a Wald‐type test to assess the distance between these two models. To implement the methodology, I discuss machine learning methods as one possible identification strategy of SVAR models. Finally, I illustrate the methodology through an application to volatility spillovers across major stock markets using daily realized volatility data for 2004–2018.