Long-memory GARCH via a two-dimensional Markov chain
通过二维马尔可夫链构建长记忆 GARCH 模型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：摘要直接提出 GARCH 型波动率时间序列模型，并研究持久性、稳定性和预测。
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
通过二维马尔可夫链构建长记忆 GARCH 模型
- 研究问题
- 能否仅用二维马尔可夫状态，通过过去冲击的状态依赖衰减刻画波动率持久性，同时建立稳定性并用于样本外预测？
- 方法与思路
- 作者以潜在幂律核的水平与斜率更新构造 GARCH 型模型，推导联合 Foster–Lyapunov 条件，并开展模拟和经验预测比较。
- 材料陈述的贡献
- 摘要称，所给条件保证正 Harris 常返和不变分布唯一；模拟呈现显著低频持久性，经验预测表现具有竞争力。
- 阅读关注点
- 应核对幂律核更新方式、稳定性条件与诊断边界，并区分模拟中的低频持久性和严格长记忆性质，检查预测比较设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未经核实；摘要未给出稳定性公式、数据或预测数值，标题中的长记忆性质仍需查验。
原文摘要
This paper proposes a GARCH-type volatility model in which level-and-slope updates of a latent power-law kernel generate state-dependent decay of past shocks within a two-dimensional Markov state. We derive a joint Foster--Lyapunov condition and establish positive Harris recurrence and uniqueness of the invariant distribution. Simulations show substantial low-frequency persistence in log-squared innovations, especially near the diagnostic stability boundary. Empirically, the model captures a substantial portion of observed volatility persistence and delivers competitive out-of-sample forecast accuracy using only a two-dimensional Markov state.