Bayesian semiparametric multivariate GARCH modeling
贝叶斯半参数多元GARCH建模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：摘要直接研究收益分布的多元GARCH建模及波动率相关预测。
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
贝叶斯半参数多元GARCH建模
- 研究问题
- 如何在多元GARCH框架下灵活描述收益分布的非对称性和厚尾，并据此计算后验及预测密度？
- 方法与思路
- 作者为无限多元正态混合设置Dirichlet过程先验，将GARCH结构嵌入混合成分，并用MCMC进行计算。
- 材料陈述的贡献
- 摘要称，该方法允许一般形式的非对称与厚尾，并以贝叶斯因子和密度预测比较展示相对Student-t设定的收益。
- 阅读关注点
- 应核对混合成分中GARCH的具体结构、位置与尺度混合的区别、先验敏感性，以及MCMC和预测评价。
- 阅读边界
- 仅据所给出版社摘要，无法判断比较收益的大小、样本适用范围及计算稳定性，也不能推出统一的预测优势。
原文摘要
This paper proposes a Bayesian nonparametric modeling approach for the return distribution in multivariate GARCH models. In contrast to the parametric literature the return distribution can display general forms of asymmetry and thick tails. An infinite mixture of multivariate normals is given a flexible Dirichlet process prior. The GARCH functional form enters into each of the components of this mixture. We discuss conjugate methods that allow for scale mixtures and nonconjugate methods which provide mixing over both the location and scale of the normal components. MCMC methods are introduced for posterior simulation and computation of the predictive density. Bayes factors and density forecasts with comparisons to GARCH models with Student-t innovations demonstrate the gains from our flexible modeling approach.