时变参数的估计一直挺让人头大的，是非参数方法，既灵活又不太容易下手。龚金国和史代敏这篇文章就比较实用，直接从金融时间序列出发，搞了一套时变 Copula 非参数估计的方案，思路清晰、实现也不复杂。

局部极大似然估计（LMLE）这个方法用得还不错，优点是局部拟合、灵活性强，缺点就是对数据量要求挺高。不过他们还专门证明了估计量的一致性和渐近正态性，也就是说，数据多了以后估得还挺准，做置信区间啥的也靠谱。

里面提到的非参数估计算法也比较好上手：先做预，每个时间点做局部拟合，拿到时变参数的估计值。这一套流程下来，基本就能跑起来，对搞金融建模的同学挺友好。

如果你正好在做金融时间序列建模，或者想用 Copula 搞点高级，不妨试试这篇方法，搭配 MATLAB 或者 Python 都能跑。对了，想更深入还可以看看他们的相关工作，下面这几个链接也值得点进去看看。