Stochastic volatility in mean: Efficient analysis by a generalized mixture sampler
随机波动率入均值模型：广义混合采样器的高效分析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。
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：摘要直接研究随机波动率入均值模型及其杠杆效应，并应用于金融收益序列，最明确对应金融波动率。
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…
随机波动率入均值模型：广义混合采样器的高效分析
- 研究问题
- 如何对随机波动率进入均值的模型进行准确且高效的贝叶斯模拟，并将计算方法扩展到具有杠杆效应的设定？
- 方法与思路
- 作者以三十个正态分布的混合近似非中心卡方变量的对数分布，联合分块抽取参数与潜在波动率，并用额外步骤校正误差。
- 材料陈述的贡献
- 摘要称提出广义混合采样方法及杠杆效应扩展，在超额持有收益率和标普五百收益率应用中获得较高的模型边际似然。
- 阅读关注点
- 应核对混合近似的适用范围、校正步骤是否保证目标后验，以及分块采样效率和边际似然比较对先验的敏感性。
- 阅读边界
- 仅据所给 OpenAlex 摘要，边际似然比较不能直接确定预测优势；摘要未给出计算时间、混合诊断或收益关系的数值。
原文摘要
In this paper we consider the simulation-based Bayesian analysis of stochastic volatility in mean (SVM) models. Extending the highly efficient Markov chain Monte Carlo mixture sampler for the SV model proposed in Kim et al. (1998) and Omori et al. (2007), we develop an accurate approximation of the logarithm of the non-central chi-squared distribution as a mixture of thirty normal distributions . Under this mixture representation, we sample the parameters and latent volatilities in one block. We also detail a correction of the small approximation error by using additional Metropolis–Hastings steps. The proposed method is extended to the SVM model with leverage. The methodology and models are applied to excess holding yields and S&P500 returns in empirical studies, and the SVM models are shown to outperform other volatility models based on marginal likelihoods.