Matrix GARCH Model: Inference and Application
矩阵 GARCH 模型：推断与应用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：摘要直接研究矩阵时间序列的条件异方差，并用于金融波动率预测。
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
矩阵 GARCH 模型：推断与应用
- 研究问题
- 如何刻画矩阵时间序列的条件异方差，并识别行与列条件协方差，使模型能够用于波动率预测和投资组合配置？
- 方法与思路
- 作者提出矩阵 GARCH，以一元 GARCH 描述条件协方差的迹，并构造准极大似然估计、综合诊断检验及矩阵因子扩展。
- 材料陈述的贡献
- 摘要称迹的动态设定有助于识别行列协方差，并称三个金融应用中，两类矩阵模型的预测与配置表现优于既有多元模型。
- 阅读关注点
- 应核对行列协方差识别的具体条件、准极大似然估计与诊断检验的理论，以及预测比较的样本划分和配置评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。摘要未说明识别条件、理论细节或比较数值，不能据此确认普遍优势。
原文摘要
Matrix-variate time series data are largely available in applications. However, no attempt has been made to study their conditional heteroskedasticity that is often observed in economic and financial data. To address this gap, we propose a novel matrix generalized autoregressive conditional heteroskedasticity (GARCH) model to capture the dynamics of conditional row and column covariance matrices of matrix time series. The key innovation of the matrix GARCH model is the use of a univariate GARCH specification for the trace of conditional row or column covariance matrix, which allows for the identification of conditional row and column covariance matrices. Moreover, we introduce a quasi maximum likelihood estimator (QMLE) for model estimation and develop a portmanteau test for model diagnostic checking. Simulation studies are conducted to assess the finite-sample performance of the QMLE and portmanteau test. To handle large dimensional matrix time series, we also propose a matrix factor GARCH model. Finally, we demonstrate the superiority of the matrix GARCH and matrix factor GARCH models over existing multivariate GARCH-type models in volatility forecasting and portfolio allocations using three applications on credit default swap prices, global stock sector indices, and future prices.