A Strong Invariance Theorem of the Tail Empirical Copula Processes
研究了二元经验copula过程$\mathbb{G}_n(\cdot,\cdot)$在$[0,1]^2,$的路径$[0,k_n/n]^2$上的行为,其中$k_n$是满足一定条件的正常数序列.当$k_n/n \searrow γ$为$0 \leq γ\leq 1.$的$n\rightarrow \infty,$时,我们给出了高斯过程对$\mathbb{G}_n(\cdot,\cdot)$强逼近的一个上界
2011-10-15 math.ST stat.AP stat.TH
Bayesian Inference for Joint Tail Risk in Paired Biomarkers via Archimedean Copulas with Restricted Jeffreys Priors
University of Louisiana at Lafayette(路易斯安那大学拉法叶分校);Minnesota State University(明尼苏达州立大学);West Liberty University(西自由大学);Presidency College(总统学院)
本文提出一种基于Copula的贝叶斯方法,通过受限杰弗里斯先验量化配对生物标志物的联合尾风险,揭示了极端共动性显著高于独立性。
2026-03-08 stat.AP stat.ME
Global and Tail Dependence: A Differential Geometry Approach
随机变量之间的尾部相关性度量旨在从数值上量化它们的极端实现之间的关联程度。现有的尾部相关系数(TDC)是基于相关的条件概率的渐近分析,并没有提供一个完整的框架,在其中比较两个随机变量之间的极端依赖。事实上,对于许多重要的二元分布类,这些系数采用非信息边界值。我们提出了一种新的方法,首先考虑全球措施的基础上的表面面积的条件累积概率copula空间,归一化相对于偏离独立性和缩放的两个边界copula之间的差异,共单调性和反单调性。这些测度可以通过在Copula空间的左下或右上域上累积概率来逼近,并提供了能够区分条件作用方向的非对称依赖性的新视角。由此产生的TDC产生更平滑和更精细的尾部依赖分类。实证性能的措施进行了检查,在模拟数据的情况下,并说明通过案例研究,股票指数之间的尾部依赖。
2021-06-10 stat.AP
Bayesian heterogeneous copula mixtures with nonparametric margins: consistency, identifiability and tail asymmetry in physical fitness data
Shanghai University of Sport(上海体育大学)
本研究提出两阶段贝叶斯伪后验方法估计copula混合模型,证明其一致性与可识别性,并在体能数据中发现尾部不对称模式,优于高斯copula。
2026-10-07 stat.AP stat.CO stat.ME
Regime-Aware Estimation of Large Equity Correlation Matrices: Tail-Pairwise Dependence and Dynamic Conditional Correlation Decomposition for Water and Energy Sectors
Rice University(莱斯大学);Colorado State University(科罗拉多州立大学)
本文针对股票相关矩阵估计的高斯Copula基准无法捕捉尾部依赖的缺陷,提出体制感知分解方法,在水、能源ETF成分上验证了其识别联合极端共同变动配对的有效性。
2026-10-09 stat.AP
Gaussian mixture copulas for flexible dependence modelling in the body and tails of joint distributions
本文提出基于高斯混合的连接函数模型,无需定义极端区域即可统一建模主体与尾部相依结构,可扩展至高维并兼顾渐近相依与独立情形,通过模拟和五维空气污染数据验证其灵活性与图结构识别能力。
2025-03-08 stat.AP stat.ME
Conditional Inferences Based on Vine Copulas with Applications to Credit Spread Data of Corporate Bonds
了解公司债券信用利差的相关关系对于风险管理具有重要意义。利用具有尾部相关性的Vine Copula模型对中国企业债券的信用利差数据进行分析,了解不同行业之间的相关性,并进行条件推断。它显示了尾部相关的影响如何影响风险转移,或条件分布给定一个变量是极端的。与线性回归相比,藤蔓copula模型也提供了更准确的交叉预测结果。这些条件推理技术是一个统计分析的债券信用利差的投资组合,包括来自不同部门的公司债券的贡献。
2020-08-12 stat.AP stat.ME
Semiparametric Dynamic Copula Models for Portfolio Optimization
针对均值-方差模型的分布假设限制及现有Copula方法的静态依赖问题,提出结合非参数Copula与参数边缘分布的半参数动态模型,集成时变相关性与经验Beta Copula,应用于多经济体数据,提升投资组合优化的稳健性与绩效。
2025-04-16 q-fin.PM stat.AP
Asymmetric tail dependence modeling, with application to cryptocurrency market data
自2008年比特币问世以来,加密货币在电子商务领域发挥了越来越大的作用,但2018年加密货币市场最近的动荡引发了人们对其稳定性和相关风险的担忧。对于投资者来说,揭示加密货币之间的依赖关系对于更具弹性的投资组合多样化至关重要。此外,两个尾部的随机行为都很重要,因为多头头寸对价格下跌敏感(下尾),而空头头寸对价格上涨敏感(上尾)。为了评估这两种风险类型,本文提出了一种灵活的Copula模型,它能够同时在其上下尾分别捕获渐近相关性或独立性。我们提出的模型是简约的,并顺利桥梁(在每个尾巴)在内部的参数空间的极值依赖类。使用完全或截尾似然方法进行推断,并通过模拟研究了估计在三种不同的截尾方案下的效率,这些方案减少了非极端观测的影响。我们还开发了一种局部似然方法来捕获两种主要加密货币之间极值依赖的时间动态。在这里,我们将我们的模型应用于五种主要冷冻货币的历史收盘价,这些货币分享了大部分加密货币的市值。结果表明,我们提出的copula模型优于其他copula模型,并且大多数领先加密货币对(特别是比特币和以太坊)之间的下尾依赖水平随着时间的推移变得越来越强,近年来从渐近独立状态平稳过渡到渐近依赖状态,而上尾在较弱的依赖水平下总体上相对更稳定。
2021-04-13 stat.AP stat.ME
Coupling couples with copulas: analysis of assortative matching on risk attitude
我们调查的风险态度,从德国社会经济小组在2004年至2012年期间,使用自我报告的(有序)数据的风险态度的男性和女性的已婚夫妇,选择性匹配的模式。我们应用了一种新的基于copula的双变量面板有序模型。估算分为两个步骤:首先,使用一个基于Copula的马尔可夫模型,分别针对男性和女性,将不同时间段内的响应的边缘分布联系起来;其次,使用另一个Copula来耦合男性和女性的条件(基于过去)分布。我们发现,无论是在中间的分布,并在联合尾巴,我们解释为积极的竞争性匹配(PAM)。因此,我们拒绝标准的风险分担假设的基础上的竞争性匹配理论,并赞成替代假设的基础上,如代理人控制收入风险的能力模型。我们还发现了“同化”的证据,也就是说,PAM似乎随着婚姻年限的增加而增加。
2018-07-05 stat.AP stat.ME
Testing and Dating Structural Changes in Copula-based Dependence Measures
本文研究了多元时间序列相依结构中结构突变的检验和判定。我们考虑了一个累积和(Cumulative sum,Cumulative sum)类型的检验,用于基于常数Copula的依赖度量,如Spearman秩相关和分位数依赖。渐近零分布是未知的封闭形式和临界值估计的独立同分布。bootstrap程序我们在不同的依赖性测量设置下,如偏态分布和厚尾分布的模拟研究中分析了大小和功率特性。为了确定断点的日期和判断两个估计的断点位置是否属于同一个断点事件,我们提出了一个枢轴置信区间方法。最后,我们将检验应用于2002年至2013年中期上一次金融危机期间十大金融公司的历史数据。
2020-11-10 econ.EM stat.AP
Probabilistic patient risk profiling with pair-copula constructions
Delft Institute of Applied Mathematics, Delft University of Technology(代尔夫特应用数学研究所,代尔夫特理工大学)
本文提出基于vine copula的分类器用于围手术期风险预测,通过为每个结局类别拟合vine copula捕捉混合连续-有序变量的非线性依赖,在767例肠道手术数据上相比逻辑回归和随机森林最多降低10%的Brier分数和负对数似然,并能识别可早期出院的低风险患者。
2025-09-23 stat.AP stat.ME
Graphical copula GARCH modeling with dynamic conditional dependence
针对大型投资组合收益率建模参数多、传统模型忽略尾部非线性依赖的问题,提出带动态条件依赖的GC-GARCH框架,用DAG和PCC降维建模,三阶段估计,在模拟和实证中均表现更优。
2024-06-21 stat.AP stat.CO stat.ME
A Copula Model for Non-Gaussian Multivariate Spatial Data
本文提出了一种新的多变量复制空间数据的copula模型。与传统的模型,假设多元正态性的数据,建议copula是基于这样的假设,即存在一些因素,影响联合空间依赖的所有测量的每个变量,以及这些变量之间的联合依赖。该模型是参数化的交叉协方差函数,可以从文献中提出的许多模型中选择。此外,在模型中存在附加因子,其允许对在不同位置处测量的每个变量和不同变量的尾部依赖性和反射不对称性进行建模。因此,所提出的方法可以被看作是一个扩展的线性模型coregionalization广泛用于多变量空间数据建模。该模型的似然可以以简单的形式获得,因此似然估计相当快。该模型不限于数据位置的集合,并且使用估计的copula,空间数据可以在变量值未知的位置处插值。我们将该模型应用于温度和压力数据,并将其性能与多变量地质统计学的流行模型的性能进行比较。
2018-10-10 stat.AP stat.ME
Spectral Dynamics and Regularization for High-Dimensional Copulas
Tilburg University(蒂尔堡大学);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
本文提出了一种高维Copula模型,结合谱动力学和正则化,以捕捉金融市场中的地理和行业相关共动并提升模型性能。
2026-01-19 econ.EM q-fin.RM stat.AP
Bivariate Analysis of Birth Weight and Gestational Age Depending on Environmental Exposures: Bayesian Distributional Regression with Copulas
在这篇文章中,我们分析了围产期数据与出生体重(BW)作为主要有趣的反应变量。遗传年龄(GA)通常是一个重要的协变量,并包括在多项式形式。然而,与这种单变量回归相反,建议对BW和GA进行双变量建模,以区分对每一个、对两者以及它们之间的影响。而不是一个参数的二元分布,我们应用条件copula回归,其中的边缘分布的BW和GA(不一定是相同的形式)可以独立估计,其中的依赖结构建模条件的协变量分别从这些边缘。在所得到的分布回归模型中,两个边缘和copula参数的所有参数都是观测特定的。除了生物统计和产科信息外,还包括饮用水污染和产妇吸烟数据,作为环境协变量。虽然高斯分布适用于BW,但三参数Dagum分布更好地模拟了倾斜的GA数据。克莱顿copula表现优于Gumbel和对称高斯copula,表明较低的尾部依赖性(当两个变量都很低时,依赖性更强),尽管BW和GA之间的这种非线性依赖性令人惊讶地弱,并且只受剖腹产的影响。一个非线性趋势的BW GA检测到一个经典的单变量模型,是多项式的GA的效果。两个模型对BW均值的线性影响相似,而我们的分布copula回归也揭示了协变量对所有其他参数的影响。
2021-10-31 stat.AP stat.ME
Improved Inference of Gaussian Mixture Copula Model for Clustering and Reproducibility Analysis using Automatic Differentiation
Copula提供了一种多元分布的模块化参数化,它可以从它们之间的依赖关系中简化边缘的建模。高斯混合Copula模型(GMCM)是一种高度灵活的Copula模型,可以对多种多模态依赖关系、非对称依赖关系和尾部依赖关系进行建模。它们已被有效地用于聚类非高斯数据和再现性分析,再现性分析是一种旨在验证多个高通量实验的可靠性和一致性的荟萃分析方法。GMCM的参数估计是具有挑战性的,由于其棘手的可能性。最好的以前的方法通过伪期望最大化(PEM)算法最大化代理的可能性。它们不能保证收敛或收敛到正确的参数。在本文中,我们使用自动微分(AD)工具开发的方法,称为AD-GMCM,可以最大限度地提高确切的GMCM的可能性。在我们的模拟研究和实验与真实数据,AD-GMCM发现更准确的参数估计比PEM和产生更好的性能,在聚类和再现性分析。我们讨论了基于AD的方法的优点,解决GMCM中的似然性和参数可识别性单调增加相关的问题。我们还分析了,GMCM,两个著名的情况下退化的极大似然GMM,可能会导致虚假的聚类解决方案。我们的分析表明,与GMM不同,GMCM在其中一种情况下不受影响。
2020-10-24 stat.AP stat.ME
Penalized Copula Mixed Models for Intercompany Loss Reserving and Risk Capital
McMaster University(麦克马斯特大学)
该研究针对公司间损失准备金问题,提出惩罚性Copula混合模型,结合混合效应边际模型与特定公司Copula依赖参数,经迭代两阶段程序估计,用改进自助程序获预测分布,实验表明其能稳定分解未付损失、降低预测变异性并减少风险资本。
2026-07-17 stat.AP stat.ME