Factor Analysis of Multivariate Stochastic Volatility Model
多变量随机波动率模型的因子分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确结合高维时间序列、随机波动率和因子建模，并包含金融数据实验。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
多变量随机波动率模型的因子分析
- 研究问题
- 如何在高维时间序列中同时估计协方差结构及其连续时变动态，并缓解既有波动率模型的参数膨胀与过拟合问题？
- 方法与思路
- 作者提出贝叶斯因子建模框架，配套 EM 算法；摘要称其 M 步具有精确闭式更新，并可推广至时空多变量因子分析。
- 材料陈述的贡献
- 摘要称，该框架联合刻画高维协方差及其动态变化，并通过模拟、气候与金融数据实验检验方法的表现。
- 阅读关注点
- 应核对因子识别、动态过程设定、因子数选择及 EM 收敛性质，并检查与其他协方差模型比较时的设定和计算成本。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未列出比较结果，无法判断灵活性与效率优势的范围。
原文摘要
Modeling the time-varying covariance structures of high-dimensional variables is critical across diverse scientific and industrial applications; however, existing approaches exhibit notable limitations in either modeling flexibility or inferential efficiency. For instance, change-point modeling fails to account for the continuous time-varying nature of covariance structures, while GARCH and stochastic volatility models suffer from over-parameterization and the risk of overfitting. To address these challenges, we propose a Bayesian factor modeling framework designed to enable simultaneous inference of both the covariance structure of a high-dimensional time series and its time-varying dynamics. The associated Expectation-Maximization (EM) algorithm not only features an exact, closed-form update for the M-step but also is easily generalizable to more complex settings, such as spatiotemporal multivariate factor analysis. We validate our method through simulation studies and real-data experiments using climate and financial datasets.