Stationary vine copula models for multivariate time series
多变量时间序列的平稳藤 Copula 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：摘要明确研究多变量序列的跨期依赖与平稳性，并应用于股票组合收益预测，直接支持时间序列和收益预测。
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…
多变量时间序列的平稳藤 Copula 模型
- 研究问题
- 如何在同一多变量时间序列模型中刻画变量间与跨期依赖，并给出保证平稳性的图结构及可实施的预测和不确定性量化？
- 方法与思路
- 作者使用藤 Copula 图模型，在平移不变条件下推导保证平稳性的最大图结构类，并提出估计、模拟、预测和推断方法。
- 材料陈述的贡献
- 摘要称，理论允许模型错设，并通过渐近结果与模拟支持方法有效性；股票组合收益预测应用表现良好，另附开源实现。
- 阅读关注点
- 应核对平移不变与平稳性的关系、最大图结构类的确切含义，以及错设下估计目标和收益预测的比较设计。
- 阅读边界
- 仅据所给 OpenAlex 摘要，不能判断具体依赖条件、预测指标或开源实现内容；应用中的良好表现不能保证样本外普遍优势。
原文摘要
Multivariate time series exhibit two types of dependence: across variables and across time points. Vine copulas are graphical models for the dependence and can conveniently capture both types of dependence in the same model. We derive the maximal class of graph structures that guarantee stationarity under a natural and verifiable condition called translation invariance. We propose computationally efficient methods for estimation, simulation, prediction, and uncertainty quantification and show their validity by asymptotic results and simulations. The theoretical results allow for misspecified models and, even when specialized to the iid case, go beyond what is available in the literature. The new model class is illustrated by an application to forecasting returns of a portfolio of 20 stocks, where they show excellent forecast performance. The paper is accompanied by an open source software implementation.