Stochastic volatility models with skewness selection
具有偏度选择机制的随机波动率模型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：摘要研究随机波动率与时变偏度，并直接应用于债券收益率和货币套利因子。
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…
具有偏度选择机制的随机波动率模型
- 研究问题
- 如何在随机波动率模型中允许偏度随时间变化，同时避免强制引入动态偏度造成过度参数化，并区分动态、静态与零偏度？
- 方法与思路
- 作者利用促稀疏先验，在数据驱动框架下选择偏度参数的形式，并将模型用于债券收益率和货币建模的两项实证应用。
- 材料陈述的贡献
- 摘要称，债券应用的动态偏度刻画货币宽松与紧缩周期；货币应用在控制随机波动率后未发现套利因子偏度，支持波动激增的解释。
- 阅读关注点
- 应核对偏度与波动率的参数化、先验选择及后验判断依据，并检查两项应用中动态偏度识别和经济解释对模型设定的敏感性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明样本、后验不确定性或模型比较，不能据此排除其他套利崩跌机制。
原文摘要
This paper expands traditional stochastic volatility models by allowing for time-varying skewness without imposing it. While dynamic asymmetry may capture the likely direction of future asset returns, it comes at the risk of leading to overparameterization. Our proposed approach mitigates this concern by leveraging sparsity-inducing priors to automatically selects the skewness parameter as being dynamic, static or zero in a data-driven framework. We consider two empirical applications. First, in a bond yield application, dynamic skewness captures interest rate cycles of monetary easing and tightening being partially explained by central banks' mandates. In an currency modeling framework, our model indicates no skewness in the carry factor after accounting for stochastic volatility which supports the idea of carry crashes being the result of volatility surges instead of dynamic skewness.