A Dynamic Spatiotemporal and Network ARCH Model with Common Factors
含共同因子的动态时空与网络 ARCH 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：摘要明确结合波动率、共同因子和网络溢出，并包含股票市场网络应用。
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…
含共同因子的动态时空与网络 ARCH 模型
- 研究问题
- 如何在统一的波动率模型中刻画空间、时间和时空溢出，并纳入波动率特有的观测与潜在共同因子以分析网络关联？
- 方法与思路
- 作者扩展动态时空 ARCH 模型，加入观测和潜在因子，采用贝叶斯 MCMC 估计，并建议通过 DIC 和正则化程序选择因子数量。
- 材料陈述的贡献
- 摘要称，主要创新是引入波动率特有的潜在因子；住房与股票网络应用均发现较强空间或网络关联，股票市场溢出相对更强。
- 阅读关注点
- 应核对网络权重与动态结构、潜在因子的识别和数量选择，以及 MCMC 表现和共同因子与网络溢出之间的区分。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明稳定性条件、先验和网络构造，关联性结果不能直接解释为因果溢出。
原文摘要
We introduce a dynamic spatiotemporal volatility model that extends traditional approaches by incorporating spatial, temporal, and spatiotemporal spillover effects, along with volatility-specific observed and latent factors. The model offers a more general network interpretation, making it applicable for studying various types of network spillovers. The primary innovation lies in incorporating volatility-specific latent factors into the dynamic spatiotemporal volatility model. Using Bayesian estimation via the Markov Chain Monte Carlo (MCMC) method, the model offers a robust framework for analyzing the spatial, temporal, and spatiotemporal effects of a log-squared outcome variable on its volatility. We recommend using the deviance information criterion (DIC) and a regularized Bayesian MCMC method to select the number of relevant factors in the model. The model's flexibility is demonstrated through two applications: a spatiotemporal model applied to the U.S. housing market and another applied to financial stock market networks, both highlighting the model's ability to capture varying degrees of interconnectedness. In both applications, we find strong spatial/network interactions with relatively stronger spillover effects in the stock market.