High-Dimensional Sparse Multivariate Stochastic Volatility Models
高维稀疏多元随机波动率模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要以高维多元随机波动率为核心模型，并在金融数据中应用。
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
高维稀疏多元随机波动率模型
- 研究问题
- 多元随机波动率模型在维度较高时，如何减轻贝叶斯 MCMC 等估计方法的计算负担，同时保留可用于推断的理论性质？
- 方法与思路
- 作者将多元随机波动率表示为多元状态空间模型，采用基于惩罚普通最小二乘的两步程序，并用模拟与金融数据评估。
- 材料陈述的贡献
- 摘要称提出快速高效的估计方法，给出两步估计量的渐近性质，以及参数数量增长时第一步估计量的预言性质。
- 阅读关注点
- 核对两步程序的目标函数、稀疏结构与调参方式，检查维度增长条件和第一步误差传递，以及计算和预测比较的基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给速度、预测改善数值或具体条件，不能认定对所有多元模型占优。
原文摘要
Although multivariate stochastic volatility models usually produce more accurate forecasts compared to the MGARCH models, their estimation techniques such as Bayesian MCMC typically suffer from the curse of dimensionality. We propose a fast and efficient estimation approach for MSV based on a penalized OLS framework. Specifying the MSV model as a multivariate state space model, we carry out a two-step penalized procedure. We provide the asymptotic properties of the two-step estimator and the oracle property of the first-step estimator when the number of parameters diverges. The performances of our method are illustrated through simulations and financial data.