New HEAVY Models for Fat-Tailed Realized Covariances and Returns
适用于厚尾已实现协方差与收益的新 HEAVY 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：摘要以日股票收益和已实现协方差的联合动态为对象，核心是潜在协方差滤波与多元波动率建模，因此选择波动率方向。
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…
适用于厚尾已实现协方差与收益的新 HEAVY 模型
- 研究问题
- 如何联合描述厚尾已实现协方差矩阵与日收益的动态，使潜在真实协方差的估计减轻异常值影响，并适用于较高维度？
- 方法与思路
- 作者提出得分驱动 HEAVY 模型，以矩阵 F 分布刻画已实现协方差，以多元 Student's t 分布刻画日收益，并用高效矩阵形式滤波潜在协方差。
- 材料陈述的贡献
- 摘要称，模型给出平稳性与正定性的参数限制；模拟可处理五十维及以上，最高三十维股票应用中的样本外统计和经济表现优于比较模型。
- 阅读关注点
- 应核对得分更新与两类厚尾分布的作用、平稳及正定限制、高维计算成本，以及样本外比较的统计损失和经济评价标准。
- 阅读边界
- 摘要未说明样本区间、比较模型及经济评价方式；高维模拟与模型误设下的表现属于作者报告，不能据此认定对所有厚尾数据都稳健。
原文摘要
We develop a new score-driven model for the joint dynamics of fat-tailed realized covariance matrix observations and daily returns. The score dynamics for the unobserved true covariance matrix are robust to outliers and incidental large observations in both types of data by assuming a matrix-F distribution for the realized covariance measures and a multivariate Student's t distribution for the daily returns. The filter for the unknown covariance matrix has a computationally efficient matrix formulation, which proves beneficial for estimation and simulation purposes. We formulate parameter restrictions for stationarity and positive definiteness. Our simulation study shows that the new model is able to deal with high-dimensional settings (50 or more) and captures unobserved volatility dynamics even if the model is misspecified. We provide an empirical application to daily equity returns and realized covariance matrices up to 30 dimensions. The model statistically and economically outperforms competing multivariate volatility models out-of-sample. Supplementary materials for this article are available online.