Large stochastic volatility in mean VARs
大型均值含随机波动率的 VAR 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：摘要明确针对宏观不确定性的 VAR 结构分析与样本外预测，并研究含随机波动率的动态模型。
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…
大型均值含随机波动率的 VAR 模型
- 研究问题
- 当随机波动率同时进入 VAR 的条件均值和方差时，如何降低大型模型的计算负担，使不确定性结构分析和样本外预测可行？
- 方法与思路
- 作者提出用于大型 SVMVAR 的高效 MCMC 算法，开展后验与预测推断，并在模拟中比较其与带祖先抽样的粒子 Gibbs 算法。
- 材料陈述的贡献
- 摘要称新算法在模拟中运行更快、混合性质更好，两项应用显示大型模型有助于结构分析和预测，尤其适用于高不确定性时期。
- 阅读关注点
- 应核对波动率进入均值的设定、MCMC 更新步骤、比较算法的配置公平性，以及结构识别和样本外预测改善各自的证据。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，速度提升、混合指标和预测差异的数值未说明，不能认定对所有模型均有优势或推断版本变化。
原文摘要
Bayesian vector autoregressions with stochastic volatility in both the conditional mean and variance (SVMVARs) are widely used for studying the macroeconomic effects of uncertainty. Despite their popularity, intensive computational demands when estimating such models has constrained researchers to specifying a small number of latent volatilities, and made out-of-sample forecasting exercises impractical. In this paper, we propose an efficient Markov chain Monte Carlo (MCMC) algorithm that facilitates timely posterior and predictive inference with large SVMVARs. In a simulation exercise, we show that the new algorithm is significantly faster than the state-of-the-art particle Gibbs with ancestor sampling algorithm, and exhibits superior mixing properties. In two applications, we show that large SVMVARs are generally useful for structural analysis and out-of-sample forecasting, and are especially useful in periods of high uncertainty such as the Great Recession and the COVID-19 pandemic.