Inference for stochastic volatility models using time change transformations
基于时间变换的随机波动率模型推断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：摘要明确研究随机波动率模型的参数估计，并以美国国库券利率为应用，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…
基于时间变换的随机波动率模型推断
- 研究问题
- 如何在扩散驱动的随机波动率模型中估计参数，并缓解潜在扩散路径增广时影响 MCMC 运行的退化问题？
- 方法与思路
- 作者通过改变扩散过程的时间尺度构造重新参数化，并提出处理时间变换所带来计算困难的 MCMC 方案。
- 材料陈述的贡献
- 摘要称该方案可克服时间变换中的固有困难，并通过模拟实验及美国国库券利率数据展示随机波动率模型应用。
- 阅读关注点
- 阅读全文时应核对退化问题的具体来源、时间变换与参数的对应关系，以及采样步骤、计算成本和模拟比较设置。
- 阅读边界
- 所给材料是稿件版本未注明的 OpenAlex 索引摘要；具体模型条件、收敛保证和运行速度证据未说明，不能推断刊本变化。
原文摘要
We address the problem of parameter estimation for diffusion driven stochastic volatility models through Markov chain Monte Carlo (MCMC). To avoid degeneracy issues we introduce an innovative reparametrization defined through transformations that operate on the time scale of the diffusion. A novel MCMC scheme which overcomes the inherent difficulties of time change transformations is also presented. The algorithm is fast to implement and applies to models with stochastic volatility. The methodology is tested through simulation based experiments and illustrated on data consisting of US treasury bill rates.