金融资产之间的极值相关性的横截面学习
摘要：一个新颖的概率模型可以促进多个金融资产的多变量尾部相关性的学习。我们的方法允许从已知的随机向量构建，例如标准正态分布，复杂的关联重尾随机向量，不仅具有不同的边际重尾性，还具有灵活的尾部相关性结构。其新颖之处在于，任意两个维度之间的尾部相关性是根据它们各自的参数进行建模的，而不是根据相关参数进行建模，这是与许多常用方法（如多变量t分布或椭圆分布）相比的重要优势。与Coproa方法相比，该方法解释直观、易于追踪、抽样简单。我们通过模拟展示了其灵活的尾部相关性结构。结合GARCH模型消除每个个体资产回报序列的序列相关性，我们使用这种新方法建模和预测股票回报的多元条件分布，并在多维覆盖测试中获得了显著的性能改进。此外，关于特异成分和市场成分尾部的不对称性的实证发现是有趣的，并值得在未来进行深入研究。
作者：Xing Yan, Qi Wu, Wen Zhang
论文ID：1905.13425
分类：Risk Management
分类简称：q-fin.RM
提交时间：2020-01-14