Multivariate stochastic volatility models based on generalized Fisher transformation
基于广义 Fisher 变换的多元随机波动率模型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：摘要以股票收益的多元随机波动率、时变协方差和相关性为核心，直接对应金融波动率建模。
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…
基于广义 Fisher 变换的多元随机波动率模型
- 研究问题
- 多元随机波动率模型如何同时刻画时变方差与协方差，保证协方差矩阵正定，并区分波动率和相关性的驱动力？
- 方法与思路
- 作者用广义 Fisher 变换构建多元随机波动率模型，采用带祖先采样的粒子 Gibbs 方法进行贝叶斯分析，并扩展至杠杆效应和已实现测度。
- 材料陈述的贡献
- 摘要称模型保证协方差矩阵正定并分离波动率与相关性驱动；股票收益应用中，样本内外表现优于所比较的替代设定。
- 阅读关注点
- 应核对变换与潜在动态的具体设定、贝叶斯采样的混合及计算成本，并检查杠杆效应、已实现测度和模型比较的实现。
- 阅读边界
- 仅依据所给出版社摘要；样本内外优势是作者报告，摘要未说明比较指标、基准模型或数值，无法判断优势的范围。
原文摘要
Modeling multivariate stochastic volatility (MSV) can pose significant challenges, particularly when both variances and covariances are time-varying. In this study, we tackle these complexities by introducing novel MSV models based on the generalized Fisher transformation (GFT) proposed by Archakov and Hansen (2021). Our model exhibits remarkable flexibility, ensuring the positive-definiteness of the variance–covariance matrix, and disentangling the driving forces of volatilities and correlations. To conduct Bayesian analysis of the models, we employ a Particle Gibbs Ancestor Sampling (PGAS) method, facilitating efficient Bayesian model comparisons. Furthermore, we extend our MSV model to cover leverage effects and incorporate realized measures. Our simulation studies demonstrate that the proposed method performs well for our GFT-based MSV model. Furthermore, empirical studies based on equity returns show that the MSV models outperform alternative specifications in both in-sample and out-of-sample performances.