具有估计聚类分配的动态因子 Copula 模型-研究论文

本文提出了一种用于高维时间序列应用的动态多因子 copula。 我们模型的一个新特点是，个体变量到组的分配是根据数据估计的，而不是使用 SIC 行业代码、市值排名或其他临时方法预先分配。 我们采用 k-means 聚类算法在我们的应用程序中使用，并表明它具有出色的有限样本特性。 将新模型应用于 110 只美国股票的回报，我们发现大约 20 个集群是最佳的。 在样本外预测中，我们发现只有 5 个估计集群的模型显着优于使用两位 SIC 代码形成的 21 个集群的其他相同模型。