Sequential conditional correlations: Inference and evaluation
序列条件相关：推断与评估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：摘要在多元 GARCH 框架下建模股票的条件相关和条件二阶矩，直接对应金融波动率及协方差建模方向。
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
序列条件相关：推断与评估
- 研究问题
- 多元 GARCH 中高维条件相关矩阵的估计如何转化为可行的较简单问题，并为各组成部分容纳更丰富的动态形式？
- 方法与思路
- 作者将条件相关矩阵分解为一串具有所需性质的矩阵之积，把高维优化转成顺序估计，并应用于所选股票的条件二阶矩。
- 材料陈述的贡献
- 摘要称该方法简化优化并允许更丰富的参数化，在 NASDAQ100 中选取的 69 只股票应用上得到较准确的条件相关度量。
- 阅读关注点
- 应核对矩阵分解如何保证相关矩阵有效、顺序估计的推断方法，以及估计顺序、比较基准和准确性评估标准。
- 阅读边界
- 所给出版社摘要未说明准确性的衡量方式、比较数值或计算收益；股票应用的表现不能据此推广到所有高维相关模型。
原文摘要
This paper presents a new approach to the modeling of conditional correlation matrices within the multivariate GARCH framework. The procedure, which consists of breaking the matrix into the product of a sequence of matrices with desirable characteristics, in effect converts a highly dimensional and intractable optimization problem into a series of simple and feasible estimations. This in turn allows for richer parameterizations and complex functional forms for the single components. An empirical application involving the conditional second moments of 69 selected stocks from the NASDAQ100 shows how the new procedure results in strikingly accurate measures of the conditional correlations.