Flexible Modeling of Dependence in Volatility Processes
波动率过程依赖结构的灵活建模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：摘要明确提出随机波动率模型，研究波动率的长程依赖并应用于股票日收益，直接对应波动率方向。
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
波动率过程依赖结构的灵活建模
- 研究问题
- 波动率过程的依赖结构如何灵活建模，尤其如何刻画长程依赖？摘要聚焦随机波动率模型，并以股票日收益作为应用对象。
- 方法与思路
- 作者将波动率表示为自回归过程的聚合，用灵活的贝叶斯方法建模自回归系数分布，并提出使用自适应蒙特卡洛方法的计算算法。
- 材料陈述的贡献
- 摘要称该模型能够捕捉长程依赖、揭示波动率的动态特征，并提供高效计算算法；作者还将模型应用于股票日收益。
- 阅读关注点
- 应核对自回归过程聚合产生长程依赖的条件、系数分布与动态性质的关系，以及算法效率和股票应用的具体证据。
- 阅读边界
- 摘要未说明模型识别条件、先验设定、算法收敛诊断或实证结果，也未给出与其他随机波动率模型比较的具体证据。
原文摘要
This article proposes a novel stochastic volatility (SV) model that draws from the existing literature on autoregressive SV models, aggregation of autoregressive processes, and Bayesian nonparametric modeling to create a SV model that can capture long-range dependence. The volatility process is assumed to be the aggregate of autoregressive processes, where the distribution of the autoregressive coefficients is modeled using a flexible Bayesian approach. The model provides insight into the dynamic properties of the volatility. An efficient algorithm is defined which uses recently proposed adaptive Monte Carlo methods. The proposed model is applied to the daily returns of stocks.