Hierarchical Markov normal mixture models with applications to financial asset returns
分层马尔可夫正态混合模型及金融资产收益应用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：摘要的主要目标是股指与债券收益的一日至多日预测分布。
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
分层马尔可夫正态混合模型及金融资产收益应用
- 研究问题
- 如何构造日度资产收益在一个至多个交易日上的预测分布，并在股指和债券的波动时期检验模型的预测表现？
- 方法与思路
- 作者将马尔可夫正态混合模型的成分进一步设为正态混合，形成两层结构，并用于股指与债券收益预测分布。
- 材料陈述的贡献
- 摘要将模型表述为两隐层人工神经网络的特例，并称所研究序列的表现较 ARCH 和随机波动率模型有利，展示多日预测分布。
- 阅读关注点
- 应核对分层混合与马尔可夫动态的设定、参数估计和模型选择，以及预测分布评价指标、多日预测构造与比较设计。
- 阅读边界
- 仅依据所给 RePEc 出版社摘要版本；比较标准、改进幅度和估计条件未说明，不能推断样本外普遍优势或版本变化。
原文摘要
Motivated by the common problem of constructing predictive distributions for daily asset returns over horizons of one to several trading days, this article introduces a new model for time series. This model is a generalization of the Markov normal mixture model in which the mixture components are themselves normal mixtures, and it is a specific case of an artificial neural network model with two hidden layers. The article uses the model to construct predictive distributions of daily S&P 500 returns 1971–2005 and one-year maturity bond returns 1987–2007. For these time series the model compares favorably with ARCH and stochastic volatility models. The article concludes by using the model to form predictive distributions of one‐ to ten‐day returns during volatile episodes for the S&P 500 and bond return series. Copyright (C) 2010 John Wiley & Sons, Ltd.