.png){kind=icon}
返回
A bayesian non-parametric approach to dynamic conditional angular correlation model with application to portfolio optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/s42952-026-00374-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在金融时间序列分析中，动态条件相关模型是估计条件协方差矩阵的最流行方法，该矩阵代表金融风险，对风险管理、投资组合优化和资产定价至关重要。传统的协方差矩阵估计常受限于刚性参数设置和正态分布假设，导致市场非正态分布时产生估计偏差。为解决这些局限性，本文基于分数整合理 tưởng GARCH模型（FIGARCH）提出了一种贝叶斯非参数动态条件角相关模型（BNDCAC-FIGARCH），该模型引入了不对称参数和学生t分布以提高适应性和灵活性。模拟实验表明，在正弦或斜坡函数形状的整体相关路径下，本模型能提供更准确的估计，展示了其有效性和稳定性。实证研究应用真实股票市场数据，包括DAX 40、FTSE 100、SSE 50和CSI 100，用于构建投资组合优化。结果表明，所提模型在投资组合回报和参数不确定性降低方面均具有优越性。此外，结果还表明，与其它指数相比，CSI 100表现出较弱的不对称性，这可能是由于其更高的流动性和对国家政策改善经济条件更准确反映所致。
Keyword:
Covariance matrix estimation
Dynamic conditional angular correlation
Bayesian inference
GARCH
Portfolio optimization
期刊
J
IF:
0.8
论文数:
31
被引数:
0
机构
引用论文
Bayesian multivariate GARCH models with dynamic correlations and asymmetric error distributions
PREAI
分享收藏
A Bayesian method of change-point estimation with recurrent regimes: Application to GARCH models
PREAI
分享收藏Relationships among the Fossil Fuel and Financial Markets during the COVID-19 Pandemic: Evidence from Bayesian DCC-MGARCH Models.png)
SUSTAINABILITY
OAAI
SUSTAINABILITYIF3.3
OAAI分享收藏
查看更多内容