General Bayesian time‐varying parameter vector autoregressions for modeling government bond yields
用于政府债券收益率建模的广义贝叶斯时变参数VARAI 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：摘要以时变参数VAR刻画收益率曲线时间动态，明确涉及预测和结构突变分析。
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…
用于政府债券收益率建模的广义贝叶斯时变参数VAR
- 研究问题
- 美国收益率曲线的参数变化究竟更符合随机游走、马尔可夫切换、可观测预测变量还是混合机制，如何由数据选择？
- 方法与思路
- 作者建立含随机波动的时变参数VAR，允许系数遵循多种动态形式或其混合，并利用贝叶斯收缩先验开展模型选择。
- 材料陈述的贡献
- 摘要称，该框架可处理参数动态形式的不确定性，在美国收益率曲线应用中预测表现良好，并分析样本内结构突变的决定因素。
- 阅读关注点
- 应核对不同参数演化机制的区分方式、收缩先验与模型选择的关系，以及预测评价和结构突变解释对先验设定的敏感性。
- 阅读边界
- 摘要未说明预测基准、改善幅度或突变识别细节；所述预测表现和突变解释仅为作者报告，不能据此推定资产定价结论。
原文摘要
Summary US yield curve dynamics are subject to time‐variation, but there is ambiguity about its precise form. This paper develops a vector autoregressive (VAR) model with time‐varying parameters and stochastic volatility, which treats the nature of parameter dynamics as unknown. Coefficients can evolve according to a random walk, a Markov switching process, observed predictors, or depend on a mixture of these. To decide which form is supported by the data and to carry out model selection, we adopt Bayesian shrinkage priors. Our framework is applied to model the US yield curve. We show that the model forecasts well, and focus on selected in‐sample features to analyze determinants of structural breaks in US yield curve dynamics.