MCMC Analysis of Diffusion Models With Application to Finance
扩散模型的 MCMC 分析及其金融应用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：摘要将扩散过程估计用于含潜在随机波动的利率模型，并明确比较时变波动的拟合，因此归入金融波动率。
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
扩散模型的 MCMC 分析及其金融应用
- 研究问题
- 如何利用离散观测估计扩散过程参数，并在存在潜在状态与非线性时刻画利率数据的时变波动？
- 方法与思路
- 作者提出基于马尔可夫链蒙特卡洛的方法，估计单因子 CEV 利率模型与含潜在随机波动成分的双因子模型，并开展模拟。
- 材料陈述的贡献
- 摘要报告，随机波动模型在所用利率数据中的拟合明显优于 CEV 模型，且模拟显示该方法在中等样本量下能较准确地估计参数。
- 阅读关注点
- 应核对离散观测与潜在状态的处理、MCMC 的实施及收敛诊断，以及模型拟合比较和中等样本模拟所用的评价标准。
- 阅读边界
- 摘要未说明具体抽样算法、计算代价与误差评估，也未给出数据及模拟细节；拟合优劣陈述不能直接推广至其他利率模型。
原文摘要
This article proposes a new method for estimation of parameters in diffusion processes from discrete observations. The method is based on Markov-chain Monte Carlo methodology and applies to a wide class of models including systems with unobservable state variables and nonlinearities. The method is applied to the estimation of parameters in one-factor (CEV) interest-rate models and a two-factor model with a latent stochastic volatility component (SV). The CEV model is found to do a poor job in capturing the time-varying volatility interest-rate data. The SV model provides vastly superior fit to that of the CEV model. The article also presents a simulation study that demonstrates that the method provides accurate parameter estimates of the SV model at moderate sample sizes.