The SR approach: A new estimation procedure for non-linear and non-Gaussian dynamic term structure models
SR 方法：非线性非高斯动态期限结构模型的新估计程序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：摘要明确研究含潜在因子的动态期限结构模型，并利用收益率或债券价格截面估计因子。
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…
SR 方法：非线性非高斯动态期限结构模型的新估计程序
- 研究问题
- 在潜在因子可能非高斯的线性或非线性动态期限结构模型中，如何利用大量收益率或债券价格识别因子并估计模型参数？
- 方法与思路
- 作者利用大量截面观测，通过一系列截面回归恢复潜在因子，再将回归输出用于两步或三步的矩方法参数估计。
- 材料陈述的贡献
- 摘要称该方法不对因子施加分布假设，以大量截面信息较准确地确定潜在因子，并给出由回归结果估计参数的程序。
- 阅读关注点
- 应核对截面回归恢复因子的识别与误差条件、非线性模型的实施方式，以及因子估计误差如何传递至后续矩估计。
- 阅读边界
- 仅据所给出版社摘要，无法判断因子恢复精度、参数推断性质或实际计算表现；不设因子分布不等于没有其他模型限制。
原文摘要
This paper suggests a new approach for estimating linear and non-linear dynamic term structure models with latent factors. We impose no distributional assumptions on the factors which therefore may be non-Gaussian. The novelty of our approach is to use many observables (yields or bond prices) in the cross-section dimension. This implies that the latent factors can be determined quite accurately by a sequence of cross-section regressions. We also show how output from these regressions can be used to obtain model parameters by a two- or three-step moment-based estimation procedure.