Bayesian Analysis of Stochastic Volatility Models
随机波动率模型的贝叶斯分析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：摘要聚焦随机波动率模型、潜在条件方差的估计及股票收益和汇率应用，因此归入金融波动率方向。
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…
随机波动率模型的贝叶斯分析
- 研究问题
- 当条件方差的对数服从自回归过程时，如何开展随机波动率模型的贝叶斯推断，并同时估计潜在方差状态与未来预测分布？
- 方法与思路
- 作者采用循环 Metropolis 算法模拟后验，完成参数推断及潜在方差的滤波和平滑，并构建反映模型变异与参数不确定性的多步预测密度。
- 材料陈述的贡献
- 摘要称该方法支持精确有限样本推断，并报告贝叶斯估计在所设实验的参数估计和滤波中优于矩估计与准极大似然估计。
- 阅读关注点
- 阅读时应核对后验模拟的收敛依据、有限次模拟误差、滤波和平滑的实现，以及股票收益和汇率应用与比较实验的评价指标。
- 阅读边界
- 仅凭摘要不能确认有限次马尔可夫链模拟的精度，也不能把所述实验优势推广到其他模型、样本或先验设定；摘要未说明先验选择。
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 coverage 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.