GARCH option valuation with long-run and short-run volatility components: A novel framework ensuring positive variance
含长期与短期波动成分的 GARCH 期权估值：保证方差为正的新框架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：摘要明确构建双成分 GARCH 波动模型并用于欧式期权估值，直接对应金融波动率与资产定价两个方向。
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…
含长期与短期波动成分的 GARCH 期权估值：保证方差为正的新框架
- 研究问题
- 具有长期与短期波动成分的 GARCH 期权模型如何避免方差变负，并在收益数据和期权数据上保持有竞争力的拟合表现？
- 方法与思路
- 作者针对既有双成分模型的正值性缺陷提出新的 GARCH 框架，并与两种先前方法比较收益和标普500期权数据表现。
- 材料陈述的贡献
- 摘要称，新模型保证收益波动的正值性，收益数据样本内表现与比较模型相当，而标普500期权数据上的表现更好。
- 阅读关注点
- 应核对正值性保证的对象及参数限制、期权定价推导、估计方案，以及期权比较指标、样本划分和统计不确定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。摘要未给出正值性条件或数值结果，无法评估改善幅度和样本外稳健性。
原文摘要
Christoffersen, Jacobs, Ornthanalai, and Wang (2008) (CJOW) proposed an improved Generalized Autoregressive Conditional Heteroskedasticity (GARCH) model for valuing European options, where the return volatility is comprised of two distinct components. Empirical studies indicate that the model developed by CJOW outperforms widely-used single-component GARCH models and provides a superior fit to options data than models that combine conditional heteroskedasticity with Poisson-normal jumps. However, a significant limitation of this model is that it allows the variance process to become negative. Oh and Park [2023] partially addressed this issue by developing a related model, yet the positivity of the volatility components is not guaranteed, both theoretically and empirically. In this paper we introduce a new GARCH model that improves upon the models by CJOW and Oh and Park [2023], ensuring the positivity of the return volatility. In comparison to the two earlier GARCH approaches, our novel methodology shows comparable in-sample performance on returns data and superior performance on S&P500 options data.