.png){kind=icon}
返回
Multivariate dynamic mixed-frequency density pooling for financial forecasting
.png){kind=icon}
OA
AI
DOI：10.1016/j.ijforecast.2024.11.011.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文探讨了结合日数据和日内数据中的可用信息在金融回报预测中的益处。两种数据源通过密度池化方法进行结合，其中个体密度被表示为copula函数，而潜在的时间可变池化权重取决于每个模型的预测表现。在日频情况下，依赖结构是从标准的静态和动态条件协方差建模中提取的，而高频对应部分基于已实现协方差度量。我们发现，通过密度池化整合高、低频信息，相较于任何单一模型以及同数据频率内的任何模型组合，显著提升了预测模型的性能。一项投资组合分配练习通过生成具有最小方差和最高夏普比率的投资组合，量化了其经济效益。
Keyword:
Conditional value at risk
Density combination
High frequency
Realized volatility
Global minimum variance
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.1
论文数:
3.1K
被引数:
9.9K
机构
引用论文
.png){kind=icon}
The conditional autoregressive Wishart model for multivariate stock market volatility多元股市波动的条件自回归Wishart模型OAAI
OAAI分享收藏分享收藏分享收藏
查看更多内容