大型偏 t Copula 模型与日内股票收益的非对称依赖
计量经济学
2024-07-03 v4 机器学习
统计金融
统计计算
摘要
偏 t copula 模型对于金融数据建模颇具吸引力，因为它们允许非对称和极端尾部依赖。我们证明了 Azzalini 和 Capitanio (2003) 的偏 t 分布所隐含的 copula 比两种流行的替代偏 t copula 允许更高程度的成对非对称依赖。高维下该 copula 的估计具有挑战性，我们提出了一种快速且准确的贝叶斯变分推断（VI）方法来完成估计。该方法利用偏 t 分布的生成式表示来定义可精确近似的增广后验。使用随机梯度上升算法来求解变分优化。该方法被用于估计偏 t 因子 copula 模型，该模型对 2017 年至 2021 年 93 只美国股票的日内收益具有多达 15 个因子。除成对相关性的变异性外，该 copula 还捕获了股票对之间非对称依赖的显著异质性。在滑动窗口研究中，我们表明非对称依赖也随时间变化，并且来自偏 t copula 的日内预测密度比基准 copula 模型更准确。基于估计的成对非对称依赖的投资组合选择策略相对于指数改善了表现。
引用
@article{arxiv.2308.05564,
title = {Large Skew-t Copula Models and Asymmetric Dependence in Intraday Equity Returns},
author = {Lin Deng and Michael Stanley Smith and Worapree Maneesoonthorn},
journal= {arXiv preprint arXiv:2308.05564},
year = {2024}
}