Stochastic Volatility under Informative Missingness
信息性缺失下的随机波动率建模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：摘要研究时间序列的随机波动率及动态缺失机制，应用为情绪数据，未提供金融领域分类依据。
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…
信息性缺失下的随机波动率建模
- 研究问题
- 当时间序列存在非随机缺失时，如何对随机波动率进行建模、估计与推断，并把缺失机制携带的信息及插补不确定性纳入分析？
- 方法与思路
- 作者基于 Tukey 表示及随机波动率模型的马尔可夫结构构造插补，结合带祖先采样的条件粒子滤波，形成完整的粒子 Gibbs 方案。
- 材料陈述的贡献
- 作者将方法定位为处理非随机缺失随机波动率的首个统计方案，摘要称其可处理相关不可识别成分，并以手机自报情绪数据展示应用。
- 阅读关注点
- 应核对缺失机制的参数化、马尔可夫结构如何帮助处理不可识别性、插补变异如何传播，以及粒子 Gibbs 的收敛与敏感性分析。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明缺失模型的识别条件或性能指标，其首创性与识别主张均未获独立核验。
原文摘要
Stochastic volatility models that treat the variance of a time series as a stochastic process have proven to be important tools for analyzing dynamic variability. Current methods for fitting and conducting inference on stochastic volatility models are limited by the assumption that any missing data are missing at random. With a recent explosion in technology to facilitate the collection of dynamic self-response data for which mechanisms underlying missing data are inherently scientifically informative, this limitation in statistical methodology also limits scientific advancement. The goal of this article is to develop the first statistical methodology for modeling, fitting, and conducting inference on stochastic volatility with data that are missing not at random. The approach is based upon a novel imputation method derived using Tukey's representation, which utilizes the Markovian nature of stochastic volatility models to overcome unidentifiable components often faced when modeling informative missingness in other settings. This imputation method is combined with a new conditional particle filtering with ancestor sampling procedure that accounts for variability in imputation to formulate a complete particle Gibbs sampling scheme. The use of the method is illustrated through the analysis of mobile phone self-reported mood from individuals being monitored after unsuccessful suicide attempts.