Estimación dinámica de correlaciones con priors de contracción

Resumen

Este documento presenta un método bayesiano para estimar matrices de correlación que cambian con el tiempo. Representa la dependencia mediante un modelo factorial de rango bajo, utiliza estados latentes con priors de contracción dinámica para una regularización localmente adaptativa y modela los errores de observación con volatilidad estocástica factorial. El método está diseñado para responder a cambios estructurales mientras cuantifica la incertidumbre en las estimaciones cambiantes.

Los autores informan de un resultado teórico de contracción posterior y de comparaciones mediante simulaciones que muestran una mayor precisión y capacidad de respuesta que métodos alternativos en escenarios difíciles. También presentan un resumen escalar de la dependencia transversal basado en la correlación total y aplican el método a carteras de acciones durante episodios de tensión en los mercados. El documento ofrece solo una descripción general: no especifica conjuntos de datos, métodos de comparación, resultados numéricos ni detalles de implementación, por lo que esta descripción por sí sola no permite evaluar el rendimiento práctico ni los supuestos.

Ideas clave

• Una representación factorial de rango bajo modela la estructura cambiante de las correlaciones.
• La contracción dinámica regulariza localmente los estados latentes a lo largo del tiempo.
• La volatilidad estocástica factorial tiene en cuenta los cambios en la incertidumbre de las observaciones.
• La correlación total ofrece un resumen escalar de la dependencia transversal.
• El método se evalúa mediante simulaciones y se aplica a carteras de acciones durante episodios de tensión en los mercados.

Etiquetas

# Modeling Dynamic Correlation Matrices with Shrinkage Priors


# Modeling Dynamic Correlation Matrices with Shrinkage Priors









Estimating time-varying correlation matrices is challenging because existing methods may adapt slowly to structural changes, impose insufficient regularization, or produce diffuse posterior uncertainty. In moderate dimensions, an additional difficulty is summarizing the estimated evolving dependence structure for downstream decision-making tasks. We propose a Bayesian approach based on a low-rank factor representation, with latent states evolving under a dynamic shrinkage prior and observation errors following a multivariate factor stochastic volatility model. This specification allows locally adaptive regularization of the estimated correlation structure over time and informative uncertainty quantification. We establish, to our knowledge, a first-of-its-kind posterior contraction result for dynamically regularized Bayesian models, showing contraction around the true model parameters at an explicit rate under averaged Hellinger distance. To summarize the estimated correlation matrices, we build on the information-theoretic concept of total correlation to obtain a scalar measure of cross-sectional dependence. Simulation studies show improved accuracy and responsiveness relative to competing methods in a range of challenging scenarios. We then apply our method to monitoring the correlation evolution of equity portfolios during periods of financial market stress.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.