Cluster GARCH
Cluster GARCH：具有聚类依赖结构的多元波动模型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。
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：摘要明确涉及资产收益的多元 GARCH、条件相关性和尾部依赖，对应波动率与尾部风险。
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…
Cluster GARCH：具有聚类依赖结构的多元波动模型
- 研究问题
- 如何在高维资产收益系统中同时描述条件相关矩阵的聚类结构与尾部依赖，并保持似然计算和动态相关建模的可操作性？
- 方法与思路
- 作者提出采用灵活卷积 t 分布的多元 GARCH 模型，允许相关性及尾部依赖的聚类结构，并利用似然导数构造得分驱动动态。
- 材料陈述的贡献
- 摘要称给出可处理的对数似然及导数；在一百项资产日收益应用中，模型的样本内外表现及卷积 t 分布表现优于所比较方案。
- 阅读关注点
- 应核对聚类如何确定、相关矩阵如何满足约束、尾部依赖的参数化，以及样本外划分、评价指标和比较模型的设定。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明资产样本、评价指标和改善幅度，优越性仅为作者陈述。
原文摘要
We introduce a novel multivariate GARCH model with flexible convolution-t distributions that is applicable in high-dimensional systems. The model is called Cluster GARCH because it can accommodate cluster structures in the conditional correlation matrix and in the tail dependencies. The expressions for the log-likelihood function and its derivatives are tractable, and the latter facilitate a score-drive model for the dynamic correlation structure. We apply the Cluster GARCH model to daily returns for 100 assets and find it outperforms existing models, both in-sample and out-of-sample. Moreover, the convolution-t distribution provides a better empirical performance than the conventional multivariate t-distribution.