Dynamic shrinkage in time‐varying parameter stochastic volatility in mean models
时变参数随机波动率入均值模型中的动态收缩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：摘要明确以实时通胀预测为应用，并研究参数与收缩程度的时间变化，直接对应宏观预测和时间序列方法。
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
时变参数随机波动率入均值模型中的动态收缩
- 研究问题
- 在随机波动率进入均值方程的模型中，让收缩强度随时间变化，能否改善通胀预测，并兼顾模型简约性与灵活性？
- 方法与思路
- 作者在随机波动率入均值模型中引入可随时间调整收缩程度的先验，并以美国、英国和欧元区的实时通胀预测进行比较。
- 材料陈述的贡献
- 摘要称，更灵活的关键参数先验在部分情形下改善预测表现；新模型与原模型的样本内分析给出定性相似的结论。
- 阅读关注点
- 核对动态收缩先验的具体形式、实时预测使用的信息集与评价指标，并查看预测改善出现在哪些样本期和预测期限。
- 阅读边界
- 摘要未说明预测改进的幅度、统计不确定性及适用条件，且仅称有时改善，不能据此认定动态收缩普遍优于原模型。
原文摘要
Summary Successful forecasting models strike a balance between parsimony and flexibility. This is often achieved by employing suitable shrinkage priors that penalize model complexity but also reward model fit. In this article, we modify the stochastic volatility in mean (SVM) model by introducing state‐of‐the‐art shrinkage techniques that allow for time variation in the degree of shrinkage. Using a real‐time inflation forecast exercise, we show that employing more flexible prior distributions on several key parameters sometimes improves forecast performance for the United States, the United Kingdom, and the euro area (EA). Comparing in‐sample results reveals that our proposed model yields qualitatively similar insights to the original version of the model.