Selection of Multivariate Stochastic Volatility Models via Bayesian Stochastic Search
通过贝叶斯随机搜索选择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。
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：摘要将多元条件波动率作为建模核心，并在日度外汇数据上估计带随机条件波动率的 VAR，因此归入金融波动率。
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
通过贝叶斯随机搜索选择多元随机波动率模型
- 研究问题
- 在具有确定性或随机条件波动率的多元回归中，如何通过贝叶斯搜索选择系数与误差协方差的约束，并改善模型预测？
- 方法与思路
- 作者设计 MCMC 算法，对回归系数与误差协方差矩阵的 Cholesky 分解进行贝叶斯约束搜索，并应用于含随机条件波动率的汇率 VAR。
- 材料陈述的贡献
- 摘要称，人工数据模拟中该方法能有效选择数据生成模型的约束并改善预测表现，同时展示了日度汇率随机波动率 VAR 的应用。
- 阅读关注点
- 阅读全文时应核对候选约束与先验设定、随机搜索步骤和链的收敛诊断，以及模拟和汇率应用中预测评估的设计与比较基准。
- 阅读边界
- 摘要未说明样本规模、约束选择准确率、预测改善幅度或比较对象；模拟中的有效性不能据此推广到所有金融市场或波动率模型。
原文摘要
We propose a Bayesian stochastic search approach to selecting restrictions on multivariate regression models where the errors exhibit deterministic or stochastic conditional volatilities. We develop a Markov chain Monte Carlo (MCMC) algorithm that generates posterior restrictions on the regression coefficients and Cholesky decompositions of the covariance matrix of the errors. Numerical simulations with artificially generated data show that the proposed method is effective in selecting the data-generating model restrictions and improving the forecasting performance of the model. Applying the method to daily foreign exchange rate data, we conduct stochastic search on a VAR model with stochastic conditional volatilities.