A Stochastic Volatility Model With Conditional Skewness
具有条件偏度的随机波动率模型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。
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：摘要明确建立随机波动率模型并分析条件波动率与偏度，应用涉及日收益和期权数据，因此选择金融波动率方向。
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…
关注这篇论文的作者
具有条件偏度的随机波动率模型
- 研究问题
- 如何在离散时间仿射随机波动率模型中区分条件波动率与条件偏度的动态，并同时刻画历史和风险中性收益分布？
- 方法与思路
- 作者用条件杠杆效应与同期非对称性共同刻画条件偏度，推导收益矩的解析公式用于 GMM，并应用于标普 500 日收益和期权数据。
- 材料陈述的贡献
- 摘要称，一因子和两因子 SVS 模型比所比较的仿射 GARCH 与带跳跃随机波动率模型更好地拟合历史及风险中性收益分布。
- 阅读关注点
- 应核对波动率与偏度动态如何区分、GMM 矩条件如何构造，以及历史和风险中性分布的拟合指标、参数数量与比较设定。
- 阅读边界
- 摘要未给出参数识别条件、拟合改善幅度或样本外检验；参数数量的比较不能单独验证拟合优势，也不足以支持更广泛的适用性结论。
原文摘要
We develop a discrete-time affine stochastic volatility model with time-varying conditional skewness (SVS). Importantly, we disentangle the dynamics of conditional volatility and conditional skewness in a coherent way. Our approach allows current asset returns to be asymmetric conditional on current factors and past information, which we term contemporaneous asymmetry. Conditional skewness is an explicit combination of the conditional leverage effect and contemporaneous asymmetry. We derive analytical formulas for various return moments that are used for generalized method of moments (GMM) estimation. Applying our approach to S&P500 index daily returns and option data, we show that one- and two-factor SVS models provide a better fit for both the historical and the risk-neutral distribution of returns, compared to existing affine generalized autoregressive conditional heteroscedasticity (GARCH), and stochastic volatility with jumps (SVJ) models. Our results are not due to an overparameterization of the model: the one-factor SVS models have the same number of parameters as their one-factor GARCH competitors and less than the SVJ benchmark.