Smoothing Variances Across Time: Adaptive Stochastic Volatility
跨时间平滑方差：自适应随机波动率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：摘要以时变随机波动率和动态时间序列建模为核心，且明确包含金融数据应用，支持波动率与时间序列分类。
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
跨时间平滑方差：自适应随机波动率
- 研究问题
- 如何估计既局部平滑又能适应变化的时变波动率及其不确定性，并在均值和波动率存在突变时进行联合建模？
- 方法与思路
- 作者在随机游走对数方差中引入动态全局局部收缩过程，并加入小尺度变异项；进一步将自适应波动率结合贝叶斯趋势滤波。
- 材料陈述的贡献
- 摘要称给出动态收缩先验的理论性质，模拟显示一定的误设适应性和较低预测误差，并在金融、计量与环境序列中展示应用。
- 阅读关注点
- 应核对收缩先验的理论条件、平滑与突变适应机制、小尺度变异项的识别，以及模拟误设类型、预测指标和不确定性校准。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未提供具体误差数值或全面比较，不能据此宣称普遍优于 SV 或 GARCH。
原文摘要
We introduce a novel Bayesian framework for estimating time-varying volatility by extending the Random Walk Stochastic Volatility (RWSV) model with Dynamic Shrinkage Processes (DSP) in log-variances. Unlike the classical Stochastic Volatility (SV) or GARCH-type models with restrictive parametric stationarity assumptions, our proposed Adaptive Stochastic Volatility (ASV) model provides smooth yet dynamically adaptive estimates of evolving volatility and its uncertainty. We further enhance the model by incorporating a nugget effect, allowing it to flexibly capture small-scale variability while preserving smoothness elsewhere. We derive the theoretical properties of the global-local shrinkage prior DSP. Through simulation studies, we show that ASV exhibits remarkable misspecification resilience and low prediction error across various data-generating processes. Furthermore, ASV's capacity to yield locally smooth and interpretable estimates facilitates a clearer understanding of the underlying patterns and trends in volatility. As an extension, we develop the Bayesian Trend Filter with ASV (BTF-ASV) which allows joint modeling of the mean and volatility with abrupt changes. Finally, our proposed models are applied to time series data from finance, econometrics, and environmental science, highlighting their flexibility and broad applicability.