Gamma-Driven Markov Processes and Extensions with Application to Realized Volatility
伽马驱动马尔可夫过程及其扩展：已实现波动率应用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：摘要明确将所提正值时间序列模型应用于股票指数的日度已实现波动率。
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…
伽马驱动马尔可夫过程及其扩展：已实现波动率应用
- 研究问题
- 如何为连续正值时间序列构造具有灵活不变分布和显式转移密度的模型，并扩展处理非平稳性与长记忆？
- 方法与思路
- 作者基于潜在伽马效应构造 GD 马尔可夫过程，以最大似然结合 Gauss–Laguerre 求积估计，并提出两类扩展。
- 材料陈述的贡献
- 摘要称，基础过程可容纳正值支持上的目标不变分布，具有时间可逆性和显式转移密度，并用于 FTSE 100 日度已实现波动率。
- 阅读关注点
- 应核对不变分布构造的适用条件、求积近似对似然估计的影响，以及非平稳和长记忆扩展保留哪些基础过程性质。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；未说明完整分布条件、求积精度和应用结果，不能将基础过程性质直接推广至全部扩展。
原文摘要
We propose a novel class of Markov processes for dealing with continuous positive time series data, which is constructed based on a latent gamma effect and named gamma-driven (GD) models.The GD processes possess desirable properties and features: (i) it can produce any desirable invariant distribution with support on R + , (ii) it is time-reversible, and (iii) it has the transition density function given in an explicit form.Estimation of parameters is performed through the maximum likelihood method combined with a Gauss Laguerre quadrature to approximate the likelihood function.The evaluation of the estimators and also confidence intervals of parameters are explored via Monte Carlo simulation studies.Two generalizations of the GD processes are also proposed to handle nonstationary and long-memory time series.We apply the proposed methodologies to analyze the daily realized volatility of the FTSE 100 equity index.