The detection and estimation of long memory in stochastic volatility
随机波动率中的长记忆检测与估计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：摘要明确结合随机波动率、ARFIMA 长记忆过程和股票价格应用，对应波动率与时间序列两个方向。
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
随机波动率中的长记忆检测与估计
- 研究问题
- 如何在随机波动率框架中表示条件方差的长期持续性，并估计模型参数、评估其有限样本性质和实际拟合表现？
- 方法与思路
- 作者把 ARFIMA 过程嵌入标准随机波动率模型，通过最大化高斯似然的谱近似估计参数，并开展模拟和股票价格应用。
- 材料陈述的贡献
- 摘要称提出长记忆随机波动率模型并获得强一致估计量，还报告股票价格实例中优于所比较的短记忆波动率模型。
- 阅读关注点
- 核对长记忆参数的范围、谱似然近似与强一致性的条件，以及模拟设计和股票实例中模型比较的指标与基准。
- 阅读边界
- 仅依据 OpenAlex 所给摘要；一致性的具体条件和应用比较数值均未说明，不能据单个实例断言普遍优越或推断刊本变化。
原文摘要
We propose a new time series representation of persistence in conditional variance called a long memory stochastic volatility (LMSV) model. The LMSV model is constructed by incorporating an ARFIMA process in a standard stochastic volatility scheme. Strongly consistent estimators of the parameters of the model are obtained by maximizing the spectral approximation to the Gaussian likelihood. The finite sample properties of the spectral likelihood estimator are analyzed by means of a Monte Carlo study. An empirical example with a long time series of stock prices demonstrates the superiority of the LMSV model over existing (short-memory) volatility models.