Estimating dynamic equilibrium models with stochastic volatility
含随机波动率的动态均衡模型估计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：摘要研究美国经济周期动态模型的似然估计，并使用粒子滤波处理随时间变化的波动率。
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…
含随机波动率的动态均衡模型估计
- 研究问题
- 如何以似然方法估计含随机波动率的动态均衡模型，并评估随机波动率在解释美国经济周期数据动态中的作用？
- 方法与思路
- 作者开发利用随机波动率模型冲击结构的粒子滤波算法，结合贝叶斯方法估计同时含随机波动率与货币政策参数漂移的模型。
- 材料陈述的贡献
- 摘要称算法具有灵活性，在大型模型中仍具计算可行性；美国经济周期应用显示随机波动率对解释数据动态具有重要作用。
- 阅读关注点
- 应核对粒子滤波如何利用冲击结构、似然近似误差与计算成本，以及随机波动率和货币政策参数漂移如何区分。
- 阅读边界
- 仅据所给出版社摘要，无法判断大型模型中的精度和成本、先验敏感性或实证贡献大小；具体数据与比较结果未说明。
原文摘要
This paper develops a particle filtering algorithm to estimate dynamic equilibrium models with stochastic volatility using a likelihood-based approach. The algorithm, which exploits the structure and profusion of shocks in stochastic volatility models, is versatile and computationally tractable even in large-scale models. As an application, we use our algorithm and Bayesian methods to estimate a business cycle model of the US economy with both stochastic volatility and parameter drifting in monetary policy. Our application shows the importance of stochastic volatility in accounting for the dynamics of the data.