A General Multivariate Threshold GARCH Model With Dynamic Conditional Correlations
具有动态条件相关性的广义多元门限 GARCH 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：摘要围绕多元 GARCH 的条件协方差与相关性建模，并使用股票和债券数据评价表现，直接对应金融波动率。
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
具有动态条件相关性的广义多元门限 GARCH 模型
- 研究问题
- 如何在多元 GARCH 框架中用门限刻画条件相关性的变化，同时保证条件协方差矩阵正定，并使估计在高维金融数据中可行？
- 方法与思路
- 作者在条件相关性中引入多元门限，由数据内生估计最优门限函数，并设计两步估计程序，再用美国股票与债券市场数据检验表现。
- 材料陈述的贡献
- 摘要称，新模型保证条件协方差矩阵正定且估计程序适用于高维场景；两项应用中，其条件相关性预测较若干多元 GARCH 模型表现更好。
- 阅读关注点
- 应核对门限函数的参数化与选择准则、正定性保证和两步估计条件，以及两项应用的预测样本划分、损失函数与经济意义评价。
- 阅读边界
- 摘要未给出高维可行性的具体条件、预测评估设计或提升幅度；两项应用中的统计及经济表现不能视为普遍优于其他模型。
原文摘要
We introduce a new multivariate GARCH model with multivariate thresholds in conditional correlations and develop a two-step estimation procedure that is feasible in large dimensional applications. Optimal threshold functions are estimated endogenously from the data and the model conditional covariance matrix is ensured to be positive definite. We study the empirical performance of our model in two applications using U.S. stock and bond market data. In both applications our model has, in terms of statistical and economic significance, higher forecasting power than several other multivariate GARCH models for conditional correlations.