Stochastic Volatility Models Based on OU-Gamma Time Change: Theory and Estimation
基于 OU-Gamma 时间变换的随机波动率模型：理论与估计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：摘要明确以金融时间序列和资产收益为对象，研究连续时间随机波动率模型的似然分析与估计，因此归入金融波动率方向。
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…
基于 OU-Gamma 时间变换的随机波动率模型：理论与估计
- 研究问题
- 如何对基于 OU-Gamma 时间变换的金融随机波动率模型开展可处理的似然分析，并解决资产收益所需复杂联合分布的抽样难题？
- 方法与思路
- 作者借助 OU 结构与 Gamma、Dirichlet 过程计算，刻画并精确抽样相关联合分布，进一步构建粒子边际 MH 算法估计连续时间随机波动率模型。
- 材料陈述的贡献
- 摘要称 OU-Gamma 过程的特殊结构使相关联合分布可显式描述并精确抽样，从而支持收益数据的似然分析；模拟与标普500数据展示其应用。
- 阅读关注点
- 核对时间变换与收益过程的关系、相关联合分布可显式刻画的条件、精确抽样步骤，以及粒子边际 MH 的实现和模拟评价指标。
- 阅读边界
- 摘要未给出精确抽样的适用参数条件、粒子数量、计算成本与估计误差；标普500应用也未提供结果，不能据此判断实际拟合或预测优势。
原文摘要
We consider stochastic volatility models that are defined by an Ornstein–Uhlenbeck (OU)-Gamma time change. These models are most suitable for modeling financial time series and follow the general framework of the popular non-Gaussian OU models of Barndorff-Nielsen and Shephard. One current problem of these otherwise attractive nontrivial models is, in general, the unavailability of a tractable likelihood-based statistical analysis for the returns of financial assets, which requires the ability to sample from a nontrivial joint distribution. We show that an OU process driven by an infinite activity Gamma process, which is an OU-Gamma process, exhibits unique features, which allows one to explicitly describe and exactly sample from relevant joint distributions. This is a consequence of the OU structure and the calculus of Gamma and Dirichlet processes. We develop a particle marginal Metropolis–Hastings algorithm for this type of continuous-time stochastic volatility models and check its performance using simulated data. For illustration we finally fit the model to S&P500 index data.