Discrete-Time Volatility Forecasting With Persistent Leverage Effect and the Link With Continuous-Time Volatility Modeling
具有持续性杠杆效应的离散时间波动率预测及其与连续时间建模的联系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：摘要以标普500波动率预测、持续性杠杆效应、跳跃影响及连续时间随机波动率模型为核心，直接对应金融波动率方向。
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
具有持续性杠杆效应的离散时间波动率预测及其与连续时间建模的联系
- 研究问题
- 标普500波动率的持续性杠杆效应与跳跃如何影响预测？哪些连续时间随机波动率模型能够再现离散模型捕捉的波动率动态特征？
- 方法与思路
- 作者先在离散时间波动率模型中纳入具有长程依赖的杠杆效应与滞后跳跃，再估计连续时间随机波动率模型，以匹配离散模型捕捉的统计特征。
- 材料陈述的贡献
- 摘要称，持续杠杆效应改善预测，滞后跳跃的正向影响消退较快；多因子马尔可夫模型再现波动率与杠杆效应的持续性，单因子分数布朗模型未能再现观测动态。
- 阅读关注点
- 重点核对杠杆效应与跳跃的构造、长程依赖如何参数化、各连续时间模型匹配哪些统计特征，以及预测提升是否经过样本外比较。
- 阅读边界
- 摘要未说明波动率测量、采样频率、估计细节及预测评价设计；再现统计特征不足以识别真实生成机制，预测改进仍须核对具体证据。
原文摘要
We first propose a reduced-form model in discrete time for S&P 500 volatility showing that the forecasting performance can be significantly improved by introducing a persistent leverage effect with a long-range dependence similar to that of volatility itself. We also find a strongly significant positive impact of lagged jumps on volatility, which however is absorbed more quickly. We then estimate continuous-time stochastic volatility models that are able to reproduce the statistical features captured by the discrete-time model. We show that a single-factor model driven by a fractional Brownian motion is unable to reproduce the volatility dynamics observed in the data, while a multifactor Markovian model fully replicates the persistence of both volatility and leverage effect. The impact of jumps can be associated with a common jump component in price and volatility. This article has online supplementary materials.