Una distribución normal multivariante puede ser pensado como márgenes normales con una cópula normal. El multivariante t es de la misma manera, pero tiene t márgenes con una t cópula y todos ellos tienen los mismos grados de libertad. Así ha t cópula de la dependencia. Es una forma esférica o elíptica de distribución.
No puedo pensar en una buena razón para utilizar un multivariante t. Los grados de libertad parámetro es el mismo para ambos univariante y multivariante. Te dará más opciones de ajuste univariante t distribuciones para cada serie (por lo que potencialmente puede tener diferentes grados de libertad, más importante cuando usted está buscando en una variedad de diferentes activos o factores).
La dependencia puede ser manejado por una cópula. La cópula normal es fácil de usar, pero si usted está preocupado acerca de la cola de la dependencia, entonces hay un número de opciones, incluyendo el t cópula. De nuevo, como con el multivariante t, la t cópula tiene un grado de libertad parámetro, lo que significa que la cola de la dependencia que supone ser la misma para todo. Así que si usted está buscando en los datos de las que tiene sentido para todos será el mismo, tal vez como capital ESTADOUNIDENSE sectores, entonces esto está muy bien, pero en la mayoría de los casos puede que no.
Como alternativa, algunas personas usan agrupados t cúpulas (donde cada serie tiene su propio grado de libertad) y otros utilizan vid cúpulas (que permiten un potencial aún mayor para las combinaciones para explicar la estructura de la dependencia). Una de las desventajas es que el más complicado de la cópula, a continuación, los que consumen más tiempo es para que se ajuste, especialmente si desea ajustar un DCC cópula. Esto también ilustra la importancia de la reducción de dimensiones. Yo trato de evitar simplemente poner todo en una gran multivariante de distribución.
Si estoy configurando un análisis cuantitativo de la gestión de la cartera modelo, más complicado de la cola de la dependencia es bastante bajo en mi lista. Recuerdo algún beneficio en pruebas retrospectivas, pero era muy pequeño en comparación con la incorporación de variables de tiempo de la varianza. Usted podría estar buscando en diferentes datos, por lo que hacer su propia investigación y evaluar.
