The Stochastic Volatility in Mean Model With Time-Varying Parameters: An Application to Inflation Modeling
时变参数随机波动率入均值模型：通胀建模应用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：摘要以美、英、德通胀的时变随机波动模型及伪样本外预测为应用，直接对应时间序列建模与宏观预测。
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
时变参数随机波动率入均值模型：通胀建模应用
- 研究问题
- 通胀波动率对条件均值的作用是否随时间变化，如何同时估计这种变化及潜在波动率，并考察其对通胀预测的影响？
- 方法与思路
- 作者在随机波动率入均值模型中允许条件均值参数时变，利用带状与稀疏矩阵算法构造MCMC估计，并应用于美国、英国和德国通胀。
- 材料陈述的贡献
- 摘要称，波动率在条件均值中的系数存在明显时变性；所提扩展在伪样本外预测中优于若干标准基准，显示其经验相关性。
- 阅读关注点
- 重点核对波动率同时进入均值与方差时的识别、时变参数设定及抽样算法，并检查预测比较的信息集、基准模型和评价指标。
- 阅读边界
- 摘要未给出先验设定、样本区间、预测损失及差异显著性；时变系数与预测改善的稳健性和跨样本适用性需查阅全文。
原文摘要
This article generalizes the popular stochastic volatility in mean model to allow for time-varying parameters in the conditional mean. The estimation of this extension is nontrival since the volatility appears in both the conditional mean and the conditional variance, and its coefficient in the former is time-varying. We develop an efficient Markov chain Monte Carlo algorithm based on band and sparse matrix algorithms instead of the Kalman filter to estimate this more general variant. The methodology is illustrated with an application that involves U.S., U.K., and Germany inflation. The estimation results show substantial time-variation in the coefficient associated with the volatility, highlighting the empirical relevance of the proposed extension. Moreover, in a pseudo out-of-sample forecasting exercise, the proposed variant also forecasts better than various standard benchmarks.