Functional diffusion driven stochastic volatility model
由函数型扩散驱动的随机波动率模型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。
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：摘要直接研究日内股票价格曲线、随机波动率及日内观测网格加密下的估计。
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…
由函数型扩散驱动的随机波动率模型
- 研究问题
- 面对同时包含日间依赖与日内价格演化的曲线数据，如何建立函数型随机波动率模型，并在观测天数与日内网格共同增长时估计？
- 方法与思路
- 作者将日内价格曲线规范化为函数空间中的平稳对象，用潜在自回归描述日间依赖，用扩散过程描述单条曲线内部的动态。
- 材料陈述的贡献
- 摘要称，文章建立模型性质与多种估计方法，推导日内波动率曲线估计的一致性速率及潜在自回归参数估计的渐近正态性。
- 阅读关注点
- 应核对曲线规范化和平稳性条件、天数与网格加密的联合渐近要求，以及潜在自回归和日内扩散的估计误差如何相互影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出具体收敛率、抽样条件或方法比较数值，股票应用不能证明所有场景均适用。
原文摘要
We propose a stochastic volatility model for time series of curves. It is motivated by dynamics of intraday price curves that exhibit both between days dependence and intraday price evolution. The curves are suitably normalized to stationary in a function space and are functional analogs of point-to-point daily returns. The between curves dependence is modeled by a latent autoregression. The within curves behavior is modeled by a diffusion process. We establish the properties of the model and propose several approaches to its estimation. These approaches are justified by asymptotic arguments that involve an interplay between between the latent autoregression and the intraday diffusions. The asymptotic framework combines the increasing number of daily curves and the refinement of the discrete grid on which each daily curve is observed. Consistency rates for the estimators of the intraday volatility curves are derived as well as the asymptotic normality of the estimators of the latent autoregression. The estimation approaches are further explored and compared by an application to intraday price curves of over seven thousand U.S. stocks and an informative simulation study.