Variational Inference for GARCH-family Models
GARCH 类模型的变分推断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。
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 GARCH 类波动率模型的贝叶斯估计，并使用股票指数成分股实验，直接对应金融波动率计量。
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
GARCH 类模型的变分推断
- 研究问题
- 对于 GARCH 类波动率模型的贝叶斯估计，变分推断能否成为蒙特卡洛采样的可靠且可行替代，其校准和计算表现如何？
- 方法与思路
- 作者在涵盖标普五百指数成分股的大规模实验中比较多种变分优化器和波动率模型，并结合案例分析评估贝叶斯学习表现。
- 材料陈述的贡献
- 摘要称变分推断在考察的实验中具有良好校准和竞争力，为其用于 GARCH 类模型的贝叶斯估计提供经验性支持。
- 阅读关注点
- 应核对变分分布族、优化器和收敛标准，检查蒙特卡洛基准、校准指标及计算预算，并关注后验不确定性的近似误差。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明校准指标、比较数值与模型范围，不能推断所有后验量均准确。
原文摘要
The Bayesian estimation of GARCH-family models has been typically addressed through Monte Carlo sampling. Variational Inference is gaining popularity and attention as a robust approach for Bayesian inference in complex machine learning models; however, its adoption in econometrics and finance is limited. This paper discusses the extent to which Variational Inference constitutes a reliable and feasible alternative to Monte Carlo sampling for Bayesian inference in GARCH-like models. Through a large-scale experiment involving the constituents of the S&P 500 index, several Variational Inference optimizers, a variety of volatility models, and a case study, we show that Variational Inference is an attractive, remarkably well-calibrated, and competitive method for Bayesian learning.