GARCH copulas, v-transforms and D-vines for stochastic volatility
The School for Business and Society, University of York(约克大学商业与社会学院)
本文提出结合v-变换的近似copula及简化D-vine,用于GARCH过程依赖建模,在模拟和汇率数据上优于现有vine copula方法。
2026-10-06 stat.ME
Copula estimation for nonsynchronous financial data
针对非同步金融数据,提出Copula估计方法,解决日内收益建模中的依赖性问题,通过改进估计量减少偏差并应用于真实股票数据。
2020-09-15 q-fin.ST stat.AP
Reverse stress testing via multivariate modeling with vine copulas
本文针对银行真实货币投资组合,提出一种基于藤Copula多元建模的反向压力测试方法,以解决极端但合理情景下压力情景估计的实际挑战。
2024-03-29 stat.AP
Time-varying Vine Copula model based on R-Vine structure and its application in financial risk research
Siyang Kangaroo Mother Childcare Co., Ltd.(泗阳袋鼠母婴用品有限公司)
本文针对现有经济学研究中时变Vine Copula模型结构简单导致细节丢失的问题,采用GAS模型动态参数化R-Vine结构构建新模型,应用于中国与东南亚流动性风险研究,发现该模型统计效果更优且更契合现实。
2025-09-14 stat.AP
High-Dimensional Multivariate Forecasting with Low-Rank Gaussian Copula Processes
NAVER LABS Europe(NAVER欧洲实验室);Amazon Research(亚马逊研究院);Ghent University(根特大学)
预测来自多个时间序列的观测之间的依赖关系对于异常检测、金融风险管理、因果分析或需求预测等应用至关重要。然而,估计时变和高维协方差矩阵的计算和数值困难往往限制了现有的方法处理最多几百个维度或需要作出强有力的假设系列之间的依赖。我们建议将基于RNN的时间序列模型与具有低秩协方差结构的高斯Copula过程输出模型相结合,以降低计算复杂性并处理非高斯边缘分布。这允许大幅减少参数的数量,从而允许数千个时间序列的时变相关性的建模。我们在几个真实世界的数据集上显示,我们的方法在最先进的基线上提供了显着的准确性提高,并进行了消融研究,分析了我们模型的不同组成部分的贡献。
2019-10-24 cs.LG stat.ML
Probabilistic Multivariate Time Series Forecasting with Diffusion Copulas
Department of Statistics The University of Warwick(威斯敏斯特大学统计系);School of Data Science The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)数据科学学院)
本文提出了一种扩散-Copula框架,通过分离边际分布学习与依赖结构学习,改进了多变量时间序列预测中对尾部风险的估计,展示了在加密货币市场中对系统性极值的预测优势。
2026-05-19 cs.LG stat.ML
Nonparametric forecasting of multivariate probability density functions
随机变量间相关性的研究是理论统计和应用统计学的核心内容。静态和动态copula模型是有用的描述依赖结构,这是完全加密的copula概率密度函数。然而,这些模型并不总是能够描述依赖模式的时间变化,这是金融数据的一个关键特征。我们提出了一种新的非参数框架建模的时间序列的Copula概率密度函数,它允许预测整个功能,而不需要后处理程序,以授予积极性和单位积分。我们利用一个合适的等距,允许转移分析的平方可积函数的空间的一个子集,在那里我们建立在非参数函数数据分析技术来执行分析。该框架不假设密度属于任何参数族,它也可以成功地应用于一般的多元概率密度函数有界或无界的支持。最后,一个值得注意的应用领域涉及通过藤copula模型表示的时变网络的研究。我们应用所提出的方法来估计和预测S\P500和NASDAQ指数之间的时变相关结构。
2018-03-19 stat.ME
Non-linear dependences in finance
本文由三部分组成。第一部分介绍了相关的数学和统计工具的依赖性的研究,以及拟合优度的经验概率分布的统计检验。我提出了两个扩展通常的测试时,依赖是存在于样本数据中,当观察有一个厚尾分布。论文的财务内容从第二部分开始。我在那里提出了我的研究,关于“横截面”之间的依赖关系的时间序列的每日股票收益率,即瞬间的力量,连接在一起,使他们的行为有点集体,而不是纯粹独立的。一个新的因子模型的校准,在这里,与实际数据的测量比较。最后,第三部分研究了单一时间序列的时间依赖性,使用相同的工具和相关性的措施。我提出了两个贡献的起源和描述的“波动率聚集“的研究:一个是一个泛化的ARCH类反馈结构的回报是自激的,另一个是一个更原始的自我依赖的copula方面的描述。后者可以无模型地制定,并且不特定于金融时间序列。事实上,我在这里还展示了如何在Copula的统一框架中编写描述时间序列中动态特性的递归、记录、余震和等待时间等概念。
2013-09-18 physics.data-an q-fin.ST stat.AP
A Natural Copula
针对连接函数选择任意性问题,提出自然连接函数概念,通过最小化Wasserstein距离来构造,并可用线性规划简约估计,具有金融应用价值。
2023-11-17 q-fin.PM q-fin.RM stat.AP
Dependence and Uncertainty: Information Measures using Tsallis Entropy
本文基于 Tsallis 熵扩展累积 copula 信息测度,提出累积 copula Tsallis 熵与 CMI,并给出非参数估计、独立性检验及金融应用。
2025-02-18 cs.IT math.IT 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
Tail dependence of the Gaussian copula revisited
尾部依赖指的是极端事件的聚集。在金融风险管理的背景下,高严重性风险的聚集对企业的福祉具有破坏性影响,因此在风险分析中具有关键重要性。当涉及到量化尾部依赖程度时,人们普遍认为尾部依赖的度量必须独立于风险的边缘分布,而仅仅是依赖于Copula。事实上,所有的经典措施的尾部依赖是这样的,但他们调查的数量的尾部依赖沿主对角线的copula,这往往有很少的共同点,在copula的定义域的极端浓度在本文中,我们敦促经典措施的尾部依赖可能低估的水平,在copula的尾部依赖。然而,对于高斯copula,我们证明了经典的措施是最大的。结果的含义是双重的:一方面,这意味着在高斯情况下,已经报道和使用的尾部依赖的(弱)度量是极其谨慎的,这对从业者来说一定是一个令人放心的消息。另一方面,它进一步鼓励高斯copula与其他copula更多的尾部依赖的替代。
2016-07-16 stat.AP
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
Involving copula functions in Conditional Tail Expectation
本文的目标是提出一种替代的风险度量,它考虑了损失的波动和随机变量之间可能的相关性。这种新的风险度量概念,我们称之为Copula条件尾期望,描述了在潜在的二元风险超过二元门限值的情况下,可以经历的预期风险量,并提供了一个重要的右尾风险度量。实际的财务数据的应用。
2014-04-02 math.ST q-fin.RM stat.AP
Detecting regime switches in the dependence structure of high dimensional financial data
对不同金融资产之间的极端依赖性的误解是最近金融危机的一个重要因素。本文利用马尔可夫切换正则藤连接函数研究了依赖结构中的非齐次性。这些解释了高维数据中的非对称依赖性和尾部依赖性。我们开发的快速极大似然以及贝叶斯推断的方法。我们的算法在模拟中得到验证,并应用于金融数据。我们发现,政权开关存在于各种数据集的依赖结构,并表明政权开关模型可以提供工具,在危机时期的不均匀性的准确描述。
2012-02-09 stat.AP stat.ME
An information theoretic approach to statistical dependence: copula information
我们讨论了信息和Copula理论之间的连接,表明Copula可以用来分解成边际和依赖成分的多元分布的信息内容,后者量化的互信息。我们将信息过剩定义为偏离最大熵分布的度量。还讨论了边际不变相关性测度的概念,并用于表明经验线性相关性低估了非高斯边际情况下实际相关性的幅度。互信息的Copula的渐近经验对数似然提供了一个上限。提供了一个解析表达式的信息过剩的T-copula,允许简单的模型识别在这个家庭。我们用一组金融数据来说明这个框架。
2009-11-21 cs.IT math.IT physics.data-an
Detecting changes in cross-sectional dependence in multivariate time series
经典的和最近的测试检测分布变化的多元时间序列往往缺乏权力对替代品,涉及变化的横截面依赖结构。为了能够更好地检测这种变化,测试介绍了最近研究的变异的顺序经验copula过程的基础上。与早期的尝试相比,排名是相对于相关子样本计算的,对测试的灵敏度有好处。对于p值的计算,我们提出了一个乘数reservation计划,考虑到串行依赖。建立了检验统计量的大样本理论和检验方案。有限样本的性能的程序进行评估,通过蒙特卡罗模拟。两个案例研究,涉及财务回报的时间序列。
2014-05-21 math.ST stat.ME stat.TH
Quantile and expectile copula-based hidden Markov regression models for the analysis of the cryptocurrency market
本文提出基于机制切换 copula 的隐马尔可夫回归模型,联合估计加密货币收益的分位数与期望分位数,以刻画极端收益、序列异质性及时变依赖结构,并实证分析五种加密货币与全球主要市场指数的关系。
2023-07-12 q-fin.RM stat.AP
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
Structured factor copulas for modeling the systemic risk of European and United States banks
本文利用因子Copula和CDS对欧美银行的联合与条件困境概率建模,提出多因子、结构化因子和因子藤模型,发现系统性传染渠道在整体系统中占主导,且CDS利差尾部高度相关,能有效识别近年银行业困境时期。
2024-01-07 q-fin.ST stat.AP
Goodness-of-Fit tests with Dependent Observations
我们重新审视Kolmogorov-Smirnov和Cramér-von Mises拟合优度(GoF)检验,并提出了一个推广到同分布,但依赖的单变量随机变量。我们表明,依赖性导致减少的“有效”的独立观察。广义GoF检验不是无分布的,而是依赖于所有滞后的二元Copula。这些对象,我们称之为“自连接”,编码所有的非线性时间依赖。我们介绍了一个具体的,对数正态模型,这些自我copula,推导出一些分析结果。提供了对金融时间序列的应用。众所周知,在这种情况下,相关性是长程的,我们使用自Copula证实了这一发现。因此,GoF测试的接受率大大高于收益率为iid随机变量时的接受率。
2011-08-03 cond-mat.stat-mech q-fin.ST stat.AP
Optimization of portfolios with cryptocurrencies: Markowitz and GARCH-Copula model approach
本研究通过 Markowitz 优化和 GARCH-Copula 方法,对比纯传统、纯加密货币及混合投资组合,发现混合组合具有更高 Sharpe 比率和更稳定绩效。
2023-12-31 q-fin.PM stat.AP
Risk Measures Estimation Under Wasserstein Barycenter
金融市场的随机性需要现代和稳健的风险度量多元模型。本文提出了一种新的方法来建模多变量风险度量下的Wasserstein重心的概率测度支持的位置分散的家庭。简单和先进的Copula多变量风险价值模型与派生技术进行了比较。该模型的表现亦于COVID-19导致的金融危机所产生的美国市场指数中进行检查。所介绍的模型表现令人满意的共同和波动时期的资产价格,提供现实的风险价值预测在这个时代的社会距离。
2020-08-13 q-fin.RM stat.AP
Testing for asymmetric dependency structures in financial markets: regime-switching and local Gaussian correlation
本文提出结合状态切换模型与局部高斯相关性(LGC)的方法及基于LGC的自助法检验,揭示金融收益在不同市场状态下的非对称与时变相依结构,发现危机时期分散化收益显著降低。
2023-06-27 stat.AP stat.ME
Non-parametric Clustering of Multivariate Populations with Arbitrary Sizes
我们提出了一个聚类过程,分组K人口到具有相同的依赖结构的子组。该方法适用于配对总体,并可用于面板数据。它依赖于从K种群估计的K密度Copula的正交投影系数之间的差异。每个集群,然后由人口具有显着相似的依赖结构。Ngounou-Bakam和Pommeret(2022)最近的检验统计量用于自动构建此类聚类。该过程是数据驱动的,并取决于渐近水平的测试。我们说明了我们的聚类算法,通过数值研究,并通过两个真正的数据集:一个小组的金融数据集和保险数据集的损失和分配损失调整费用。
2022-11-11 stat.AP stat.ME stat.ML
Modeling asset allocation strategies and a new portfolio performance score
我们讨论并扩展了一个强大的几何框架来表示一组投资组合,它确定了资产配置的空间与点躺在一个凸多面体。基于这一观点,我们从几何和统计计算的角度来审视某些最先进的工具,以处理数字金融中的重要和困难问题。虽然我们的工具是相当普遍的,在本文中,我们专注于两个具体的问题。第一个问题涉及危机探测,这是一般公众、特别是决策者最关心的问题,因为危机对经济有重大影响。股票市场的某些特征导致了这种类型的异常检测:给定资产的收益率,我们通过Copula描述投资组合的收益率和波动率之间的关系,而不对投资者策略做出任何假设。我们研究了最近的一种方法,依靠Copulae构建一个适当的指标,使我们能够自动化的危机检测。根据真实数据,该指标检测了加密货币市场过去的所有崩溃,而从1990年到2008年的DJ 600-欧洲指数中,该指标正确识别了4次危机,并发布了一个误报,我们对此提供了解释。我们的第二个贡献是引入一个原始的计算框架来建模资产配置策略,这对数字金融及其应用具有独立的意义。我们的方法解决了评估投资组合管理的关键问题,并且与个人经理以及金融机构相关。为了评估投资组合绩效,我们根据上述框架和概念提供了一个新的投资组合评分。特别是,我们的分数依赖于投资组合的统计特性,我们展示了如何有效地计算它们。
2021-09-03 cs.CG q-fin.PM stat.AP