Dynamic Equicorrelation
动态等相关模型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：摘要围绕资产收益的个体波动率、动态相关性与协方差矩阵估计展开，最直接对应金融波动率建模。
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
动态等相关模型
- 研究问题
- 在资产数量很大时，能否借助每期所有资产对具有相同相关系数的简化结构，便捷估计动态协方差矩阵，并服务于组合选择？
- 方法与思路
- 作者提出动态等相关模型DECO，先调整各资产波动率再估计相关性，并讨论准极大似然估计的一致性及分块等相关结构的推广。
- 材料陈述的贡献
- 摘要称，等相关假设被违反时仍可获得一致参数估计，并报告相对DCC的拟合改善及相对非受限动态相关模型的组合选择改善。
- 阅读关注点
- 核对一致性对应的参数对象与成立条件、等相关矩阵的有效性约束，以及分块划分、DCC比较设定和样本外组合评价标准。
- 阅读边界
- 摘要未说明错设下的一致性条件及目标参数，也未给出组合收益、风险或交易成本细节；所述优势不能直接推广到其他市场和时期。
原文摘要
A new covariance matrix estimator is proposed under the assumption that at every time period all pairwise correlations are equal. This assumption, which is pragmatically applied in various areas of finance, makes it possible to estimate arbitrarily large covariance matrices with ease. The model, called DECO, involves first adjusting for individual volatilities and then estimating correlations. A quasi-maximum likelihood result shows that DECO provides consistent parameter estimates even when the equicorrelation assumption is violated. We demonstrate how to generalize DECO to block equicorrelation structures. DECO estimates for U.S. stock return data show that (block) equicorrelated models can provide a better fit of the data than DCC. Using out-of-sample forecasts, DECO and Block DECO are shown to improve portfolio selection compared to an unrestricted dynamic correlation structure.