High dimensional dynamic stochastic copula models
高维动态随机 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：摘要明确以随机载荷因子结构建模大规模金融资产的动态依赖关系。
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
高维动态随机 Copula 模型
- 研究问题
- 如何刻画大量金融资产之间随时间变化的依赖关系，同时容纳厚尾与灵活动态，并保持高维模型的估计可行性？
- 方法与思路
- 作者用随机载荷因子结构构造动态 Copula，涵盖多种分布族，并采用粒子 Gibbs 方法进行贝叶斯估计和潜变量抽样。
- 材料陈述的贡献
- 摘要称，因子结构使高维厚尾依赖模型保持可处理性；在企业信用违约互换与股票面板中，分组 t 模型优于七个比较模型。
- 阅读关注点
- 应核对随机载荷与相关矩阵的构造、因子识别、粒子 Gibbs 的实施及收敛诊断，并确认模型偏好的评价准则。
- 阅读边界
- 所给出版社摘要未说明模型比较准则、先验、计算成本或优势幅度；该应用中的模型偏好不能直接推广至其他金融资产。
原文摘要
We build a class of copula models that captures time-varying dependence across large panels of financial assets. Our models nest Gaussian, Student’s t, grouped Student’s t, and generalized hyperbolic copulas with time-varying correlations matrices, as special cases. We introduce time-variation into the densities by writing them as factor models with stochastic loadings. The proposed copula models have flexible dynamics and heavy tails yet remain tractable in high dimensions due to their factor structure. Our Bayesian estimation approach leverages a recent advance in sequential Monte Carlo methods known as particle Gibbs sampling which can draw large blocks of latent variables efficiently and in parallel. We use this framework to model an unbalanced, 200-dimensional panel consisting of credit default swaps and equities for 100 US corporations. Our analysis shows that the grouped Student’s t stochastic copula is preferred over seven competing models.