To be or not to be: Roughness or long memory in volatility?
波动率究竟是粗糙性还是长记忆？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：摘要直接研究金融随机波动率，并使用加密货币高频数据构造日内瞬时对数已实现方差。
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…
波动率究竟是粗糙性还是长记忆？
- 研究问题
- 金融波动率的短期粗糙性与长期相关性应如何刻画，能否通过连续时间模型估计及高频数据检验两种时间尺度是否需要分别建模？
- 方法与思路
- 作者建立参数化连续时间平稳高斯过程的复合似然估计框架，推导渐近理论，并应用于两种对数瞬时方差模型及加密货币高频数据。
- 材料陈述的贡献
- 摘要称，复合似然在所研究模型中模拟表现良好且优于矩估计；实证支持分离随机波动率的短期与长期相关结构，交易量分析亦提供支持。
- 阅读关注点
- 应核对复合似然组合方式、采样和渐近条件、粗糙性与长记忆的区分标准，以及瞬时方差测量误差是否影响相关结构判断。
- 阅读边界
- 仅据所给 OpenAlex 摘要，模型参数、采样设计和统计证据强度未说明；加密货币样本中的支持不能直接推广至其他资产或版本。
原文摘要
We develop a framework for composite likelihood estimation of parametric continuous-time stationary Gaussian processes. We derive the asymptotic theory of the associated maximum composite likelihood estimator. We implement our approach on a pair of models that have been proposed to describe the random log-spot variance of financial asset returns. A simulation study shows that it delivers good performance in these settings and improves upon a method-of-moments estimation. In an empirical investigation, we inspect the dynamic of an intraday measure of the spot log-realized variance computed with high-frequency data from the cryptocurrency market. The evidence supports a mechanism, where the short- and long-term correlation structure of stochastic volatility are decoupled in order to capture its properties at different time scales. This is further backed by an analysis of the associated spot log-trading volume.