BVARs and Stochastic Volatility
贝叶斯向量自回归与随机波动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：摘要明确讨论宏观预测中的贝叶斯 VAR、随机波动及大型时间序列系统。
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
贝叶斯向量自回归与随机波动
- 研究问题
- 大型贝叶斯向量自回归如何容纳宏观不确定性的时变波动，同时兼顾计算成本、变量排序敏感性和异常观测问题？
- 方法与思路
- 摘要梳理适用于大型 BVAR 的随机波动模型及逐方程估计方法，并讨论排序不变性、疫情异常值稳健性和其他非线性扩展。
- 材料陈述的贡献
- 摘要所述价值是整理大型 BVAR 随机波动建模与计算的近期进展，并指出时变系数和其他非线性简约建模仍有待研究。
- 阅读关注点
- 应核对不同随机波动设定的适用条件、排序不变性的具体含义，以及逐方程计算与异常值处理对宏观预测的影响。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未核实；摘要未给出统一比较结果，也不足以判断各模型的预测优劣。
原文摘要
Bayesian vector autoregressions (BVARs) are the workhorse in macroeconomic forecasting. Research in the last decade has established the importance of allowing time-varying volatility to capture both secular and cyclical variations in macroeconomic uncertainty. This recognition, together with the growing availability of large datasets, has propelled a surge in recent research in building stochastic volatility models suitable for large BVARs. Some of these new models are also equipped with additional features that are especially desirable for large systems, such as order invariance -- i.e., estimates are not dependent on how the variables are ordered in the BVAR -- and robustness against COVID-19 outliers. Estimation of these large, flexible models is made possible by the recently developed equation-by-equation approach that drastically reduces the computational cost of estimating large systems. Despite these recent advances, there remains much ongoing work, such as the development of parsimonious approaches for time-varying coefficients and other types of nonlinearities in large BVARs.