Stochastic Volatility in Mean: Efficient Analysis by a Generalized Mixture Sampler
均值含随机波动率模型：广义混合采样器的高效分析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。
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：摘要明确研究随机波动率、均值中的波动率效应及杠杆效应，并应用于金融收益数据。
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…
均值含随机波动率模型：广义混合采样器的高效分析
- 研究问题
- 如何高效开展均值含随机波动率模型的贝叶斯分析，同时处理潜在波动率、混合近似误差及带杠杆效应的扩展？
- 方法与思路
- 作者以三十个正态分布的混合近似非中心卡方分布，联合抽取参数和潜在波动率，并用额外 MH 步骤校正近似误差。
- 材料陈述的贡献
- 摘要称，研究扩展了混合采样器并处理杠杆效应；在超额持有收益和标普收益应用中，相关模型的边际似然表现更好。
- 阅读关注点
- 应核对混合近似与误差校正的实现、联合采样的效率，以及边际似然比较所采用的先验、候选模型和计算方法。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未报告运行效率和模型比较数值，边际似然优势不等于预测优势。
原文摘要
In this paper we consider the simulation-based Bayesian analysis of stochastic volatility in mean (SVM) models. Extending the highly efficient Markov chain Monte Carlo mixture sampler for the SV model proposed in Kim et al. (1998) and Omori et al. (2007), we develop an accurate approximation of the non-central chi-squared distribution as a mixture of thirty normal distributions. Under this mixture representation, we sample the parameters and latent volatilities in one block. We also detail a correction of the small approximation error by using additional Metropolis-Hastings steps. The proposed method is extended to the SVM model with leverage. The methodology and models are applied to excess holding yields and S&P500 returns in empirical studies, and the SVM models are shown to outperform other volatility models based on marginal likelihoods.