Theory and inference for a Markov switching GARCH model
马尔可夫切换 GARCH 模型的理论与推断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：摘要研究 GARCH 条件方差与隐马尔可夫时间序列，并明确应用于股票指数日收益。
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…
马尔可夫切换 GARCH 模型的理论与推断
- 研究问题
- 如何构造均值与方差由隐马尔可夫链控制切换的 GARCH 过程，并处理其稳定性、矩存在和路径依赖估计问题？
- 方法与思路
- 作者提出 MS-GARCH 模型，给出几何遍历性与矩存在的充分条件，并把状态变量纳入扩展参数空间以实施 Gibbs 抽样。
- 材料陈述的贡献
- 摘要称该模型可在不同 GARCH 过程之间切换，并以贝叶斯估计应对路径依赖造成的似然计算困难，展示标普500日收益应用。
- 阅读关注点
- 应核对状态切换与条件方差的递推关系、遍历和矩条件，以及 Gibbs 更新、先验选择与抽样收敛的具体处理。
- 阅读边界
- 摘要未列出稳定性条件、先验或估计结果；其关于极大似然不可行的判断应结合本文模型与计算设定理解。
原文摘要
We develop a Markov-switching GARCH model (MS-GARCH) wherein the conditional mean and variance switch in time from one GARCH process to another. The switching is governed by a hidden Markov chain. We provide sufficient conditions for geometric ergodicity and existence of moments of the process. Because of path dependence, maximum likelihood estimation is not feasible. By enlarging the parameter space to include the state variables, Bayesian estimation using a Gibbs sampling algorithm is feasible. We illustrate the model on S&P500 daily returns. Copyright The Author(s). Journal compilation Royal Economic Society 2010.