A Dynamic Multivariate Heavy-Tailed Model for Time-Varying Volatilities and Correlations
时变波动率与相关性的动态多元厚尾模型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：摘要明确研究动态波动率、相关性及协方差矩阵，并应用于日度股票收益，直接支持金融波动率分类；未明确研究尾部风险指标。
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…
时变波动率与相关性的动态多元厚尾模型
- 研究问题
- 面对厚尾时间序列，如何共同刻画波动率与相关性的动态变化，并调整大幅创新对未来协方差估计的影响？
- 方法与思路
- 作者提出观测驱动的时变参数模型，以广义自回归得分动态更新多元 Student t 分布的协方差矩阵，并调整滞后平方创新的权重。
- 材料陈述的贡献
- 摘要将滞后平方创新的加权方式列为主要新意，并称考虑厚尾后，估计对大幅创新更稳健，同时给出日度股票收益的实证示例。
- 阅读关注点
- 重点核对得分动态及创新权重的推导、协方差矩阵约束和尾部参数处理，并查看日度股票收益例中的比较设计与评价指标。
- 阅读边界
- 所据为 OpenAlex 摘要，未给出稳健性的评价标准、对照模型或数值结果；股票收益示例不能证明其适用于所有厚尾过程。
原文摘要
We propose a new class of observation-driven time-varying parameter models for dynamic volatilities and correlations to handle time series from heavy-tailed distributions. The model adopts generalized autoregressive score dynamics to obtain a time-varying covariance matrix of the multivariate Student t distribution. The key novelty of our proposed model concerns the weighting of lagged squared innovations for the estimation of future correlations and volatilities. When we account for heavy tails of distributions, we obtain estimates that are more robust to large innovations. We provide an empirical illustration for a panel of daily equity returns.