然而,建模C-Vine copula还要求我们在拟合Vine中的每个双变量copula后应用h函数(13),以便将用于拟合copula的样本数据转换为额外以当前根节点为条件的样本数据,用于在下一棵树中拟合条件双变量copula。这些h函数是vinecopula条件分布函数的简化形式,由[10]和[9]asFn给出-1(xn | xn-1) =Cn,(n)-1) j |(n-1)-jFxn | x(n-1)-j, Fx(n-1) j | x(n-1)-jFx(n-1) j | x(n-1)-j, (12) 其中,为了便于注释c-jis定义为向量c,但不含分量j,其中n- 可以取1来表示一个字符串,该字符串是之前条件变量索引的最大值。在【10】之后,h函数可以写为ash(xn,xn-1,θ)=Fn | n-1(xn | xn-1)=Cθn,(n-1) [F(xn),F(xn-1)]F(xn-1) ,(13)式中,F(·)表示已在早期树的根节点上连续条件化的边缘分布。In(13)、xnand和xn-1是单变量(实际上是统一的),并针对每个copula族进行定义(见[9]中的表格)。此外,θ表示在n和n之间的copula族的copula参数- 1) thnodes(在节点1到n的条件之后- 2). 我们可以推广这种迭代条件,并将n维C-Vine copula密度表示为每[1,9]asc12。。。n[F(x),F(x),…,Fn(xn)]=n-1Yj=1n-jYk=1cj,j+k | 1,。。。,j-1[F(xj | x,…xj-1) ,F(xj+k | x,…xj-1) ],(14)其中j=1表示没有条件作用。等价地,我们可以表示C-Vine copula的slog-似然函数asL(x,…,xn;θ)=n-1Xj=1n-jXk=1τXt=1logcj,j+k | 1,。。。,j-1[F(xj,t | x1,t,…xj-1,t),F(xj+k,t | x1,t,…xj-1,t)], (15) 其中θ是C-Vine的参数集,为简单起见,我们假设我们正在拟合包含τ独立观测值的时间序列。
|