Estimation and inference in factor copula models with exogenous covariates
含外生协变量的因子 copula 模型估计与推断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：摘要明确使用因子 copula 模型解释股票收益的横截面依赖，直接对应金融因子建模。
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
含外生协变量的因子 copula 模型估计与推断
- 研究问题
- 当因子可以直接模拟，或借助外生信息估计时，如何估计因子 copula 模型并为股票收益的横截面依赖提供可靠推断？
- 方法与思路
- 作者提出含外生协变量的因子 copula 模型，使用不重叠模拟抽样的模拟矩方法估计，并通过 bootstrap 计算标准误。
- 材料陈述的贡献
- 摘要称，论文在因子结构各组成部分的基础条件下建立一致性、渐近正态性和 bootstrap 有效性，并以模拟及股票收益应用展示方法。
- 阅读关注点
- 应核对可模拟与需估计因子的条件差异、不重叠模拟抽样的作用，以及因子估计误差、模拟误差和 bootstrap 的处理。
- 阅读边界
- 仅据所给 OpenAlex 摘要，不能判断基础条件、矩选择及模拟规模的具体要求；股票依赖应用也不直接证明尾部风险刻画能力。
原文摘要
A factor copula model is proposed in which factors are either simulable or estimable from exogenous information. Point estimation and inference are based on a simulated methods of moments (SMM) approach with non-overlapping simulation draws. Consistency and limiting normality of the estimator is established and the validity of bootstrap standard errors is shown. Doing so, previous results from the literature are verified under low-level conditions imposed on the individual components of the factor structure. Monte Carlo evidence confirms the accuracy of the asymptotic theory in finite samples and an empirical application illustrates the usefulness of the model to explain the cross-sectional dependence between stock returns.