Improving Markov switching models using realized variance
利用已实现方差改进马尔可夫切换模型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：摘要明确联合建模收益与事后方差，并涉及共同因子及收益密度预测，因此对应波动率、金融因子和收益预测。
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
利用已实现方差改进马尔可夫切换模型
- 研究问题
- 如何在马尔可夫切换框架下联合利用收益与事后方差信息，改善收益分布预测、方差预测及潜在状态推断？
- 方法与思路
- 作者提出单变量及多变量收益与事后方差的联合切换模型，将其视为非线性共同因子模型，并允许固定维度或无限状态空间下的估计。
- 材料陈述的贡献
- 摘要称，股票收益应用中的联合模型改善了收益密度预测和方差点预测，并可提高参数估计精度与潜在状态推断的清晰度。
- 阅读关注点
- 重点核对收益与事后方差如何共享潜在因子、状态空间设定和估计方式，以及预测比较的样本划分、基准模型与评价指标。
- 阅读边界
- 摘要未说明事后方差的构造、状态切换设定及预测改善幅度；仅凭摘要不能判断这些结果对不同资产、时期和评价标准的稳健性。
原文摘要
Summary This paper proposes a class of models that jointly model returns and ex post variance measures under a Markov switching framework. Both univariate and multivariate return versions of the model are introduced. Estimation can be conducted under a fixed dimension state space or an infinite one. The proposed models can be seen as nonlinear common factor models subject to Markov switching and are able to exploit the information content in both returns and ex post volatility measures. Applications to equity returns compare the proposed models to existing alternatives. The empirical results show that the joint models improve density forecasts for returns and point predictions of return variance. Using the information in ex post volatility measures can increase the precision of parameter estimates, sharpen the inference on the latent state variable, and improve portfolio decisions.