Volatility Martingale Difference Divergence Matrix and Its Application to Dimension Reduction for Multivariate Volatility
波动率鞅差散度矩阵及其在多元波动率降维中的应用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。
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：摘要明确将条件方差依赖度量用于多元波动率降维和条件不相关成分模型，最直接对应所列的波动率方法方向。
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…
关注这篇论文的作者
波动率鞅差散度矩阵及其在多元波动率降维中的应用
- 研究问题
- 如何量化随机向量对给定变量的条件方差依赖，并将这种度量推广到时间序列，以提取包含非线性序列依赖的多元波动率低维结构？
- 方法与思路
- 作者在鞅差散度矩阵基础上构造条件方差依赖矩阵，将其推广到时间序列以进行多元波动率降维，并以变体估计条件不相关成分模型。
- 材料陈述的贡献
- 摘要称，该度量能捕捉非线性序列依赖，所需人为设定较少；模拟与数据示例显示计算耗时较低，强非线性时相对表现更好。
- 阅读关注点
- 核对矩阵如何刻画条件方差依赖、降维目标及维数选择，以及捕捉非线性依赖所需条件和计算成本比较的具体设定。
- 阅读边界
- 摘要未说明数据示例的对象、维数选择规则及比较细节，因而不能据此判断其在其他高维、弱依赖或不同样本规模场景中的表现。
原文摘要
In this article, we propose the so-called volatility martingale difference divergence matrix (VMDDM) to quantify the conditional variance dependence of a random vector Y∈Rp$Y\in \mathbb {R}^p$ given X∈Rq$X\in \mathbb {R}^q$, building on the recent work on martigale difference divergence matrix (MDDM) that measures the conditional mean dependence. We further generalize VMDDM to the time series context and apply it to do dimension reduction for multivariate volatility, following the recent work by Hu and Tsay and Li et al. Unlike the latter two papers, our metric is easy to compute, can fully capture nonlinear serial dependence and involves less user-chosen numbers. Furthermore, we propose a variant of VMDDM and apply it to the estimation of conditional uncorrelated components model (Fan, Wang, and Yao 2008). Simulation and data illustration show that our method can perform well in comparison with the existing ones with less computational time, and can outperform others in cases of strong nonlinear dependence.