SIGNAL EXTRACTION IN LONG MEMORY STOCHASTIC VOLATILITY
长记忆随机波动模型中的信号提取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：摘要直接研究金融序列的长记忆随机波动及频域信号提取，对应波动率与时间序列方法。
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
长记忆随机波动模型中的信号提取
- 研究问题
- 如何从长记忆随机波动模型中提取潜在波动成分，使金融时间序列中持续性较强的波动更便于经验分析？
- 方法与思路
- 作者提出频域中的半参数 Wiener–Kolmogorov 滤波方法，无需参数化指定波动成分，并考虑平稳与非平稳信号。
- 材料陈述的贡献
- 摘要称该方法简单且具有一般性，并通过蒙特卡洛模拟及道琼斯工业指数日收益序列展示波动提取的适用性。
- 阅读关注点
- 应核对半参数滤波器的构造、平稳与非平稳信号的适用条件，以及模拟和实际应用采用何种提取效果评价标准。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断滤波器的具体正则条件、边界处理和数值表现，也不能推断其他版本的变化。
原文摘要
Long memory in stochastic volatility (LMSV) models are flexible tools for the modeling of persistent dynamic volatility, which is a typical characteristic of financial time series. However, their empirical applicability is limited because of the complications inherent in the estimation of the model and in the extraction of the volatility component. This paper proposes a new technique for volatility extraction, based on a semiparametric version of the optimal Wiener–Kolmogorov filter in the frequency domain. Its main characteristics are its simplicity and generality, because no parametric specification is needed for the volatility component and it remains valid for both stationary and nonstationary signals. The applicability of the proposal is shown in a Monte Carlo and in a daily series of returns from the Dow Jones Industrial index.