Deviance Information Criterion for Comparing Stochastic Volatility Models
用于比较随机波动率模型的偏差信息准则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：摘要明确以金融日收益的随机波动率模型为对象，重点是这类模型的选择与比较，因此归入波动率方向。
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…
关注这篇论文的作者
用于比较随机波动率模型的偏差信息准则
- 研究问题
- 如何在含协变量、杠杆效应、跳跃或厚尾分布的随机波动率模型之间进行比较，同时兼顾贝叶斯拟合程度和模型复杂度？
- 方法与思路
- 作者使用偏差信息准则 DIC，将贝叶斯拟合度量与复杂度度量结合，并通过模拟数据和标普 100 指数日收益开展比较。
- 材料陈述的贡献
- 摘要以模拟数据和标普 100 指数日收益展示 DIC 对不同随机波动率模型的区分能力，提出一种较易实施的模型比较途径。
- 阅读关注点
- 阅读全文时应核对 DIC 在含潜在波动率模型中的具体定义、复杂度计算、模拟设计，以及与其他模型比较方法的对照。
- 阅读边界
- 摘要未说明各模型的比较结果、选择准确率或 DIC 的适用条件；其所称实施较容易，不足以证明所有情形下均优于贝叶斯因子。
原文摘要
stochastic volatility models for analyzing financial time series. Recent advances made it possible to fit stochastic volatility models of increasing complexity, including covariates, leverage effects, jump components, and heavy-tailed distributions. However, a formal model comparison via Bayes factors remains difficult. The main objective of this article is to demonstrate that model selection is more easily performed using the deviance information criterion (DIC). It combines a Bayesian measure of fit with a measure of model complexity. We illustrate the performance of DIC in discriminating between various different stochastic volatility models using simulated data and daily returns data on the Standard & Poor's (S&P) 100 index.