A Bayesian Dirichlet Auto-Regressive Conditional Heteroskedasticity Model for Forecasting Currency Shares
预测货币份额的贝叶斯 Dirichlet 自回归条件异方差模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究组成型时间序列的动态建模和样本外预测；对象为结算份额，未直接研究金融资产波动率。
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
预测货币份额的贝叶斯 Dirichlet 自回归条件异方差模型
- 研究问题
- 如何预测十一种结算货币的每日服务费份额，使预测保持合法组成结构，同时捕捉冲击后的波动聚集并改善区间校准？
- 方法与思路
- 作者提出 B-DARMA-DARCH，在贝叶斯 Dirichlet 自回归移动平均模型中加入动态精度参数，以保留组成分布并描述波动。
- 材料陈述的贡献
- 摘要称，相较 Dirichlet ARMA 与对数比 VARMA，模拟和样本外测试中预测误差更低、区间校准更好，并保持有效的份额预测。
- 阅读关注点
- 应核对精度参数递推与正值约束、动态波动的解释、先验设定，以及样本外划分、预测期限和区间校准评价方式。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审或接收未核实；误差改善数值和模型条件未说明，结算货币份额结果不等同于汇率预测表现。
原文摘要
We analyze daily Airbnb service-fee shares across eleven settlement currencies, a compositional series that shows bursts of volatility after shocks such as the COVID-19 pandemic. Standard Dirichlet time series models assume constant precision and therefore miss these episodes. We introduce B-DARMA-DARCH, a Bayesian Dirichlet autoregressive moving average model with a Dirichlet ARCH component, which lets the precision parameter follow an ARMA recursion. The specification preserves the Dirichlet likelihood so forecasts remain valid compositions while capturing clustered volatility. Simulations and out-of-sample tests show that B-DARMA-DARCH lowers forecast error and improves interval calibration relative to Dirichlet ARMA and log-ratio VARMA benchmarks, providing a concise framework for settings where both the level and the volatility of proportions matter.