Sequential estimation of shape parameters in multivariate dynamic models
多元动态模型中分布形状参数的序贯估计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：摘要明确讨论条件异方差模型、VaR、CoVaR 及欧元区银行风险，支持波动率与尾部和系统性风险分类。
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…
多元动态模型中分布形状参数的序贯估计
- 研究问题
- 在多元条件异方差动态模型中，如何分步估计分布形状参数而保持均值与方差参数一致性，并量化风险指标误差？
- 方法与思路
- 作者基于高斯伪极大似然估计后的标准化创新，构造序贯极大似然与 GMM 估计，并分析 VaR 和 CoVaR。
- 材料陈述的贡献
- 摘要称给出达到联合极大似然效率的矩条件，获得 VaR 与 CoVaR 标准误，并分析分布误设对风险度量的影响。
- 阅读关注点
- 应核对两阶段估计误差的传递、效率等价所需矩条件，以及风险指标标准误和银行应用中的分布设定。
- 阅读边界
- 仅据所给出版社摘要，效率等价不能视为无条件成立；具体分布、正则条件、模拟结果与银行样本细节未说明。
原文摘要
Sequential maximum likelihood and GMM estimators of distributional parameters obtained from the standardised innovations of multivariate conditionally heteroskedastic dynamic regression models evaluated at Gaussian PML estimators preserve the consistency of mean and variance parameters while allowing for realistic distributions. We assess their efficiency, and obtain moment conditions leading to sequential estimators as efficient as their joint ML counterparts. We also obtain standard errors for VaR and CoVaR, and analyse the effects on these measures of distributional misspecification. Finally, we illustrate the small sample performance of these procedures through simulations and apply them to analyse the risk of large eurozone banks.