A Multivariate Generalized Autoregressive Conditional Heteroscedasticity Model With Time-Varying Correlations
具有时变相关性的多元广义自回归条件异方差模型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：摘要的核心是多元 GARCH 条件方差与时变相关矩阵建模，直接对应波动率方法，未提供资产定价或风险度量依据。
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
具有时变相关性的多元广义自回归条件异方差模型
- 研究问题
- 如何在多元 GARCH 中同时刻画各变量的条件方差和随时间变化的相关性，并使条件协方差矩阵满足正定要求？
- 方法与思路
- 作者采用基于条件方差和条件相关的 vech 表示，各方差遵循单变量 GARCH，相关矩阵采用类似 ARMA 的动态设定。
- 材料陈述的贡献
- 摘要称模型保留单变量 GARCH 的直观解释并满足正定性，另报告极大似然估计的有限样本模拟与若干真实数据应用。
- 阅读关注点
- 核对相关矩阵递推和参数约束如何保证正定性、似然估计的实现，以及蒙特卡洛设计和真实数据应用所采用的比较基准。
- 阅读边界
- 摘要未说明具体数据、参数限制、模拟结果及模型比较；正定性与解释便利不足以证明预测更准确或适用于所有相关动态。
原文摘要
In this article we propose a new multivariate generalized autoregressive conditional heteroscedasticity (MGARCH) model with time-varying correlations. We adopt the vech representation based on the conditional variances and the conditional correlations. Whereas each conditional-variance term is assumed to follow a univariate GARCH formulation, the conditional-correlation matrix is postulated to follow an autoregressive moving average type of analog. Our new model retains the intuition and interpretation of the univariate GARCH model and yet satisfies the positive-definite condition as found in the constant-correlation and Baba-Engle-Kraft-Kroner models. We report some Monte Carlo results on the finite-sample distributions of the maximum likelihood estimate of the varying-correlation MGARCH model. The new model is applied to some real data sets.