A New Approach to Volatility Modeling: The Factorial Hidden Markov Volatility Model
波动率建模的新方法：因子化隐马尔可夫波动率模型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：摘要直接以金融收益和已实现方差为建模对象，研究波动持续性、跳跃及杠杆效应，最直接对应金融波动率方向。
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…
波动率建模的新方法：因子化隐马尔可夫波动率模型
- 研究问题
- 如何同时刻画金融收益或已实现方差中的波动持续性、跳跃和杠杆效应，并构造具有经济解释、能处理大量状态切换的波动率模型？
- 方法与思路
- 作者把潜在波动率设为三个过程的乘积：控制持续性的马尔可夫链、生成波动率跳跃的独立离散过程，以及捕捉杠杆效应的可预测过程。
- 材料陈述的贡献
- 摘要称，模型可在数千个波动率状态间突变，并保持高度持续性；六个金融序列的实证中，样本内拟合和一至百日预测表现较好。
- 阅读关注点
- 核对三部分的独立性与可预测性设定、状态转移结构、模型估计方法，以及六个序列和不同预测期限下的比较指标与基准。
- 阅读边界
- 摘要未说明六个序列的具体对象、估计算法、评价指标及差异显著性；实证中的较好表现不足以保证其他市场或预测时期同样成立。
原文摘要
A new process—the factorial hidden Markov volatility (FHMV) model—is proposed to model financial returns or realized variances. Its dynamics are driven by a latent volatility process specified as a product of three components: a Markov chain controlling volatility persistence, an independent discrete process capable of generating jumps in the volatility, and a predictable (data-driven) process capturing the leverage effect. An economic interpretation is attached to each one of these components. Moreover, the Markov chain and jump components allow volatility to switch abruptly between thousands of states, and the transition matrix of the model is structured to generate a high degree of volatility persistence. An empirical study on six financial time series shows that the FHMV process compares favorably to state-of-the-art volatility models in terms of in-sample fit and out-of-sample forecasting performance over time horizons ranging from 1 to 100 days. Supplementary materials for this article are available online.