Leverage, Asymmetry, and Heavy Tails in the High-Dimensional Factor Stochastic Volatility Model
高维因子随机波动模型中的杠杆效应、非对称性与厚尾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：摘要直接研究金融因子随机波动、系统性与特质风险、尾部依赖和风险价值评价，对应波动率、金融因子与尾部风险。
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
高维因子随机波动模型中的杠杆效应、非对称性与厚尾
- 研究问题
- 如何在高维收益模型中同时刻画系统性与特质成分的杠杆效应、收益非对称性和厚尾，并评估这些特征对风险度量的作用？
- 方法与思路
- 作者构建因子随机波动模型，结合粒子 Gibbs、祖先抽样、粒子高效重要性抽样及交织策略开展后验估计，并纳入模型选择。
- 材料陈述的贡献
- 摘要称模型允许时变相关与尾部依赖；美国股票应用发现收益非对称具有系统性，并报告风险价值评估优于其他因子模型。
- 阅读关注点
- 阅读时应核对杠杆与非对称性的参数化、先验和模型选择规则，以及采样算法的收敛诊断、计算成本与风险价值比较设置。
- 阅读边界
- 摘要未说明股票样本范围、先验、风险价值检验方式及数值改善幅度；实证比较仅限文中样本和设定，不能推断普遍优势。
原文摘要
We develop a factor stochastic volatility model that incorporates leverage effects, return asymmetry, and heavy tails across all systematic and idiosyncratic model components. Our model leads to a flexible high-dimensional dependence structure that allows for time-varying correlations, tail dependence, and volatility response to both systematic and idiosyncratic return shocks. We develop an efficient Markov chain Monte Carlo algorithm for posterior estimation based on the particle Gibbs, ancestor sampling, particle efficient importance sampling methods, and interweaving strategy. To obtain parsimonious specifications in practice, we build computationally efficient model selection directly into our estimation algorithm. We validate the performance of our proposed estimation method via simulation studies with different model specifications. An empirical study for a sample of U.S. stocks shows that return asymmetry is a systematic phenomenon and our model outperforms other factor models for value-at-risk evaluation.