Selection of Mixed Copula Model via Penalized Likelihood
通过惩罚似然选择混合 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：摘要虽含股票市场依赖与联动应用，但未明确研究定价、因子、波动率、收益预测或尾部与系统性风险。
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
通过惩罚似然选择混合 Copula 模型
- 研究问题
- 如何为给定数据选择合适的混合 Copula 并同时估计参数，尤其处理混合系数位于边界及依赖参数不可识别的情形？
- 方法与思路
- 作者将惩罚似然与收缩算子结合，联合选择 Copula 和估计参数，并分析边界及不可识别参数的渐近行为。
- 材料陈述的贡献
- 摘要称给出收敛率与非标准极限结果，包括边界系数的半正态分布，并用模拟和股票市场联动应用说明方法。
- 阅读关注点
- 应核对候选 Copula 与惩罚设定、边界半正态结果的条件，以及不可识别参数趋于任意值对解释和推断的影响。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；边界与不可识别情形的具体条件未说明，股票联动分析不能直接解释为风险度量。
原文摘要
A fundamental issue of applying a copula method in applications is how to choose an appropriate copula function for a given problem. In this article we address this issue by proposing a new copula selection approach via penalized likelihood plus a shrinkage operator. The proposed method selects an appropriate copula function and estimates the related parameters simultaneously. We establish the asymptotic properties of the proposed penalized likelihood estimator, including the rate of convergence and asymptotic normality and abnormality. Particularly, when the true coefficient parameters may be on the boundary of the parameter space and the dependence parameters are in an unidentified subset of the parameter space, we show that the limiting distribution for boundary parameter estimator is half-normal and the penalized likelihood estimator for unidentified parameter converges to an arbitrary value. Finally, Monte Carlo simulation studies are carried out to illustrate the finite sample performance of the proposed approach and the proposed method is used to investigate the correlation structure and comovement of financial stock markets.