The Wishart Autoregressive process of multivariate stochastic volatility
多元随机波动率的Wishart自回归过程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：摘要以多元随机波动率为建模对象，并使用日内已实现波动率与协波动率矩阵进行应用。
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
多元随机波动率的Wishart自回归过程
- 研究问题
- 如何为多元随机波动率矩阵建立动态模型，同时保持矩阵的正性与对称性，并获得便于计算的预测和估计方法？
- 方法与思路
- 作者提出Wishart自回归过程，提供闭式非线性预测，并使用矩估计与最大似然估计，在多伦多股市日内已实现波动率矩阵上示例。
- 材料陈述的贡献
- 摘要称，WAR过程自然满足波动率矩阵的正性和对称性约束，能够给出闭式非线性预测，估计可依赖标准统计方法完成。
- 阅读关注点
- 阅读全文时应核对WAR过程的定义、矩阵约束与稳定性条件，闭式预测针对的对象，以及已实现波动率矩阵的构造和测量误差。
- 阅读边界
- 仅据所给出版社摘要，无法判断模型的预测优势、估计精度或适用维度；摘要未说明参数限制、渐近结果及应用中的数值表现。
原文摘要
The Wishart Autoregressive (WAR) process is a dynamic model for time series of multivariate stochastic volatility. The WAR naturally accommodates the positivity and symmetry of volatility matrices and provides closed-form non-linear forecasts. The estimation of the WAR is straighforward, as it relies on standard methods such as the Method of Moments and Maximum Likelihood. For illustration, the WAR is applied to a sequence of intraday realized volatility-covolatility matrices from the Toronto Stock Market (TSX).