Temporal Coarse-Graining of Multi-Sector Default Count Data Generates Posterior-Implied Copulas
创建于 更新于
摘要
本研究提出一种月度多部门默认计数的动态低秩状态空间模型，探究月度数据经时间粗粒化后所产生的年尺度依赖结构。通过将月度相关矩阵的前两特征向量设为固定载荷方向，并以AR(1)潜在因子与Binomial观测层耦合，得到月度后验概率路径，并通过生存聚合映射形成年维度的部门默认概率向量与年计数分布，从而推导出年尺度的相关矩阵、特征值谱及后验隐含的秩Copula。实证结果显示，市场-宏观风险与行业轮动构成的两因子模型能较好再现年尺度的主导相关性放大和密度峰值对齐，并在年预测中提升区间覆盖率及CRPS；就分行业分布而言，一因子模型在对数得分方面具有竞争力，而两因子模型在分行业校准方面有明显改进。此框架强调，年尺度依赖是由月度低秩动态结合时间聚合所共同产生的可预测对象，提供了一个尺度一致的动态Copula生成器用于风险评估与压力测试。[page::6][page::8][page::12][page::15][page::22]
