श्रिंकेज प्रायर से समय-परिवर्ती सहसंबंध का अनुमान
सारांश
यह दस्तावेज़ समय के साथ बदलने वाले सहसंबंध मैट्रिक्स का अनुमान लगाने की एक बायज़ियन विधि प्रस्तुत करता है। यह निर्भरता को निम्न-रैंक फ़ैक्टर मॉडल से दर्शाता है, स्थानीय अनुकूल नियमितीकरण के लिए डायनामिक श्रिंकेज प्रायर वाले लेटेंट स्टेट का उपयोग करता है और फ़ैक्टर स्टोकेस्टिक वोलैटिलिटी से अवलोकन त्रुटियों का मॉडल बनाता है। इस विधि का उद्देश्य बदलती संरचनाओं के अनुसार ढलना और अनुमानों में समय के साथ बदलती अनिश्चितता को मापना है।
लेखक सैद्धांतिक पोस्टेरियर संकुचन परिणाम और सिमुलेशन तुलना प्रस्तुत करते हैं, जिनमें चुनौतीपूर्ण परिस्थितियों में प्रतिस्पर्धी विधियों की तुलना में बेहतर सटीकता और प्रतिक्रिया दिखाई गई है। वे कुल सहसंबंध पर आधारित क्रॉस-सेक्शनल निर्भरता का एक अदिश सार भी प्रस्तुत करते हैं और बाज़ार तनाव के दौरान इक्विटी पोर्टफ़ोलियो पर इस विधि को लागू करते हैं। दस्तावेज़ में केवल उच्च-स्तरीय विवरण है: इसमें डेटासेट, तुलना की विधियाँ, संख्यात्मक परिणाम या कार्यान्वयन विवरण निर्दिष्ट नहीं हैं, इसलिए केवल इस विवरण से व्यावहारिक प्रदर्शन और मान्यताओं का आकलन नहीं किया जा सकता।
मुख्य विचार
- निम्न-रैंक फ़ैक्टर निरूपण बदलती सहसंबंध संरचना का मॉडल बनाता है।
- डायनामिक श्रिंकेज समय के साथ लेटेंट स्टेट को स्थानीय रूप से नियमित करता है।
- फ़ैक्टर स्टोकेस्टिक वोलैटिलिटी बदलती अवलोकन अनिश्चितता को शामिल करती है।
- कुल सहसंबंध क्रॉस-सेक्शनल निर्भरता का अदिश सार देता है।
- इस विधि का मूल्यांकन सिमुलेशन में किया गया है और बाज़ार तनाव के दौरान इक्विटी पोर्टफ़ोलियो पर लागू किया गया है।
टैग
पूरा पाठ
# 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.
स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0
यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।