Stochastic Volatility-in-mean VARs with Time-Varying Skewness
具有时变偏度的随机波动入均值 VAR 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：摘要明确涉及 VAR 冲击、伪实时宏观预测及宏观金融尾部风险。
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…
具有时变偏度的随机波动入均值 VAR 模型
- 研究问题
- 允许波动率和偏度直接影响宏观变量，能否改变对宏观冲击效应、实时预测表现及宏观金融尾部风险的判断？
- 方法与思路
- 作者提出包含随机波动入均值和时变偏度的贝叶斯 VAR，提供 Gibbs 后验抽样算法，并分析美国和英国季度数据。
- 材料陈述的贡献
- 摘要称，偏度冲击具有经济显著影响，模型在许多伪实时预测比较中表现更好，并认为标准随机波动模型可能高估不确定性。
- 阅读关注点
- 应核对偏度与波动冲击的识别、先验和抽样算法，以及伪实时信息集、预测评价指标和尾部风险衡量方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出样本区间、冲击识别条件或数值结果，优势范围仍需核对。
原文摘要
This paper introduces a Bayesian vector autoregression (BVAR) with stochastic volatility-in-mean and time-varying skewness. Unlike previous approaches, the proposed model allows both volatility and skewness to directly affect macroeconomic variables. We provide a Gibbs sampling algorithm for posterior inference and apply the model to quarterly data for the US and the UK. Empirical results show that skewness shocks have economically significant effects on output, inflation and spreads, often exceeding the impact of volatility shocks. In a pseudo-real-time forecasting exercise, the proposed model outperforms existing alternatives in many cases. Moreover, the model produces sharper measures of tail risk, revealing that standard stochastic volatility models tend to overstate uncertainty. These findings highlight the importance of incorporating time-varying skewness for capturing macro-financial risks and improving forecast performance.