Bayesian Analysis of Stochastic Volatility Models
随机波动模型的贝叶斯分析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：摘要以随机波动模型为核心，使用股票收益率与汇率日度、周度数据估计潜在方差，直接对应金融波动率方向。
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…
随机波动模型的贝叶斯分析
- 研究问题
- 当条件方差的对数服从自回归过程时，如何进行随机波动模型的有限样本贝叶斯推断、潜在状态估计和多步预测？
- 方法与思路
- 作者以循环 Metropolis 算法构造马尔可夫链，生成后验抽样，并开展股票收益率和汇率日度、周度数据应用及模拟比较。
- 材料陈述的贡献
- 摘要称该方法支持精确的有限样本推断、潜在方差滤波与平滑及多步预测密度，并在所做实验中优于矩估计和准最大似然。
- 阅读关注点
- 重点核对马尔可夫链收敛论证、有限迭代误差、预测密度如何纳入参数不确定性，以及模拟中的比较标准和设定。
- 阅读边界
- 摘要未说明收敛诊断、模拟细节或数值结果；“精确”推断的表述不能证明有限次计算无误差，优势也仅限所述比较。
原文摘要
New techniques for the analysis of stochastic volatility models in which the logarithm of conditional variance follows an autoregressive model are developed. A cyclic Metropolis algorithm is used to construct a Markov-chain simulation tool. Simulations from this Markov chain converge in distribution to draws from the posterior distribution enabling exact finite-sample inference. The exact solution to the filtering/smoothing problem of inferring about the unobserved variance states is a by-product of our Markov-chain method. In addition, multistep-ahead predictive densities can be constructed that reflect both inherent model variability and parameter uncertainty. We illustrate our method by analyzing both daily and weekly data on stock returns and exchange rates. Sampling experiments are conducted to compare the performance of Bayes estimators to method of moments and quasi-maximum likelihood estimators proposed in the literature. In both parameter estimation and filtering, the Bayes estimators outperform these other approaches.