Real-Time Density Forecasts From Bayesian Vector Autoregressions With Stochastic Volatility
含随机波动率的贝叶斯向量自回归实时密度预测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。
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：摘要明确使用BVAR分析宏观时间序列，并以实时密度预测准确性为研究目标。
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
含随机波动率的贝叶斯向量自回归实时密度预测
- 研究问题
- 面对宏观波动程度的明显变化，加入随机波动率是否能改善美国经济增长、失业、通胀和联邦基金利率的实时密度预测？
- 方法与思路
- 作者使用实时数据，考察含随机波动率的贝叶斯向量自回归模型，对四项美国宏观变量进行密度预测并评估准确性。
- 材料陈述的贡献
- 摘要称将随机波动率加入BVAR后，实时密度预测准确性得到明显改善；这一表述是摘要报告的实证结论。
- 阅读关注点
- 应核对实时数据版本、预测期限、随机波动率与先验设定，以及密度评分指标、比较基准和不同阶段的表现。
- 阅读边界
- 仅据所给OpenAlex摘要，未说明改善幅度、评分方法或统计不确定性；不能推广到其他国家、变量或预测期限。
原文摘要
Central banks and other forecasters are increasingly interested in various aspects of density forecasts. However, recent sharp changes in macroeconomic volatility, including the Great Moderation and the more recent sharp rise in volatility associated with increased variation in energy prices and the deep global recession—pose significant challenges to density forecasting. Accordingly, this paper examines, with real-time data, density forecasts of U.S. GDP growth, unemployment, inflation, and the federal funds rate from Bayesian vector autoregression (BVAR) models with stochastic volatility. The results indicate that adding stochastic volatility to BVARs materially improves the real-time accuracy of density forecasts. This article has supplementary material online.