Dynamic models using score copula innovations
采用得分 Copula 新息的动态模型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：摘要研究观测驱动动态模型及预测，并明确以单变量和多变量波动率模型展示方法。
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…
采用得分 Copula 新息的动态模型
- 研究问题
- 如何构造可施加严格平稳性、可显式计算似然且便于多期预测的观测驱动动态模型，并应用于波动率与持续时间？
- 方法与思路
- 作者对条件得分函数采用 copula 方法生成新息，驱动时变参数，并利用预测分解计算似然，扩展至多滞后与多元模型。
- 材料陈述的贡献
- 摘要提出与 GAS 模型相关的统一框架，称其便于设定平稳性和初始条件，且预测密度可闭式表示或写为简单混合形式。
- 阅读关注点
- 应核对得分变换和新息分布的构造、严格平稳性的限制、初始条件处理，以及单变量和多变量波动模型的预测比较。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列出平稳条件或数值结果，不能据此判断预测优势。
原文摘要
This paper introduces a new class of observation driven dynamic models. The time evolving parameters are driven by innovations of copula form. The resulting models can be made strictly stationary and the innovation term is typically chosen to be Gaussian. The innovations are formed by applying a copula approach for the conditional score function which has close connections the existing literature on GAS models. This new method provides a unified framework for observation-driven models allowing the likelihood to be explicitly computed using the prediction decomposition. The approach may be used for multiple lag structures and for multivariate models. Strict stationarity can be easily imposed upon the models making the invariant properties simple to ascertain. This property also has advantages for specifying the initial conditions needed for maximum likelihood estimation. One step and multi-period forecasting is straight-forward and the forecasting density is either in closed form or a simple mixture over a univariate component. The approach is very general and the illustrations focus on volatility models and duration models. We illustrate the performance of the modelling approach for both univariate and multivariate volatility models.