Change point detection in dynamic Gaussian graphical models: the impact of COVID-19 pandemic on the US stock market
动态高斯图模型的变点检测：新冠疫情期间美国股市的依赖变化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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确采用多元随机波动率模型研究金融收益依赖，并对突发结构变化开展变点检测。
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
动态高斯图模型的变点检测：新冠疫情期间美国股市的依赖变化
- 研究问题
- 研究覆盖新冠疫情的时期内，美国行业股票组合收益之间的依赖关系是否发生突变，以及如何联合估计波动率与结构变化。
- 方法与思路
- 作者构建带时变图结构的贝叶斯多元随机波动率模型，对变点数量、位置和图进行后验推断，并结合序贯蒙特卡洛与 MCMC 计算。
- 材料陈述的贡献
- 摘要提出允许稀疏图恢复与变点检测的联合模型，并利用隐马尔可夫表示设计计算策略，作者称其方法可用于其他应用。
- 阅读关注点
- 应核对图结构所表达的条件依赖、变点与稀疏性的先验设定、后验计算诊断，以及疫情附近变化的证据和解释范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未报告变点位置或效应数值，也不能据此确认疫情的因果影响。
原文摘要
Reliable estimates of volatility and correlation are fundamental in economics and finance for understanding the impact of macroeconomics events on the market and guiding future investments and policies. Dependence across financial returns is likely to be subject to sudden structural changes, especially in correspondence with major global events, such as the COVID-19 pandemic. In this work, we are interested in capturing abrupt changes over time in the dependence across US industry stock portfolios, over a time horizon that covers the COVID-19 pandemic. The selected stocks give a comprehensive picture of the US stock market. To this end, we develop a Bayesian multivariate stochastic volatility model based on a time-varying sequence of graphs capturing the evolution of the dependence structure. The model builds on the Gaussian graphical models and the random change points literature. In particular, we treat the number, the position of change points, and the graphs as object of posterior inference, allowing for sparsity in graph recovery and change point detection. The high dimension of the parameter space poses complex computational challenges. However, the model admits a hidden Markov model formulation. This leads to the development of an efficient computational strategy, based on a combination of sequential Monte-Carlo and Markov chain Monte-Carlo techniques. Model and computational development are widely applicable, beyond the scope of the application of interest in this work.