BriefGPT - AI 论文速递
·
大规模 Skew-t Copulas 的高效变分推断及其在股票日内回报中的应用
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
本文介绍了一种基于偏态 t 因子 copula 模型的金融数据建模方法，该模型允许非对称和极端尾部依赖。作者使用贝叶斯变分推断方法估计高维度的 copula 模型，并应用于93只美国股票的日内收益预测。结果表明，偏态 t copula 提供了更准确的预测密度，并且基于估计的两两尾部依赖的投资组合选择策略相对于基准指数表现更好。
🎯
关键要点
- 本文介绍了一种基于偏态 t 因子 copula 模型的金融数据建模方法。
- 该模型允许非对称和极端尾部依赖，适用于高维度数据。
- 作者提出了一种快速准确的贝叶斯变分推断方法来估计该 copula 模型。
- 研究使用了2017年至2021年期间93只美国股票的日内收益数据。
- 偏态 t copula 模型能够捕捉股票对之间的非对称依赖和相关性的可变性。
- 与其他 copula 模型相比，偏态 t copula 提供了更准确的日内预测密度。
- 基于估计的两两尾部依赖的投资组合选择策略表现优于基准指数。
➡️
