Estimativa de correlação dinâmica com priors de encolhimento

Resumo

Este documento apresenta um método bayesiano para estimar matrizes de correlação que mudam ao longo do tempo. Ele representa a dependência com um modelo de fatores de baixa dimensão, usa estados latentes com distribuições a priori de encolhimento dinâmico para regularização adaptativa local e modela os erros de observação com volatilidade estocástica de fatores. O método foi concebido para responder a mudanças estruturais enquanto quantifica a incerteza nas estimativas em evolução.

Os autores relatam um resultado teórico de contração posterior e comparações por simulação que mostram maior precisão e capacidade de resposta do que métodos concorrentes em cenários desafiadores. Também introduzem um resumo escalar da dependência transversal baseado na correlação total e aplicam a abordagem a carteiras de ações durante estresse de mercado. O documento oferece apenas uma visão geral: não especifica conjuntos de dados, métodos de comparação, resultados numéricos nem detalhes de implementação; portanto, não é possível avaliar o desempenho prático e as premissas apenas com essa descrição.

Ideias principais

• Uma representação de fatores de baixa dimensão modela a estrutura de correlação em evolução.
• O encolhimento dinâmico regulariza localmente os estados latentes ao longo do tempo.
• A volatilidade estocástica de fatores considera a incerteza variável das observações.
• A correlação total oferece um resumo escalar da dependência transversal.
• O método é avaliado por simulações e aplicado a carteiras de ações durante estresse de mercado.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.