Econometric estimation in long-range dependent volatility models: Theory and practice
长程依赖波动率模型的计量估计：理论与实践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：摘要明确研究分数随机波动率模型，并估计多个股票指数的波动率过程。
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
长程依赖波动率模型的计量估计：理论与实践
- 研究问题
- 如何在连续时间分数随机模型中估计不同记忆程度的金融波动率，并同时识别漂移、波动幅度与记忆参数？
- 方法与思路
- 作者采用连续时间版本的 Gauss–Whittle 目标函数，最小化谱密度与数据周期图的差异，并应用于分数随机波动率模型。
- 材料陈述的贡献
- 摘要所述贡献是提出频域参数估计程序，并将其用于分数随机波动率模型及六个主要股票指数的波动率估计。
- 阅读关注点
- 应核对连续时间模型与离散观测的衔接、谱密度和周期图的构造，以及不同记忆区间中的参数识别与推断条件。
- 阅读边界
- 所给出版社摘要未说明估计量的具体渐近性质、采样处理及指数估计结果，不能据此判断记忆强度或预测能力。
原文摘要
It is commonly accepted that some financial data may exhibit long-range dependence, while other financial data exhibit intermediate-range dependence or short-range dependence. These behaviours may be fitted to a continuous-time fractional stochastic model. The estimation procedure proposed in this paper is based on a continuous-time version of the Gauss-Whittle objective function to find the parameter estimates that minimize the discrepancy between the spectral density and the data periodogram. As a special case, the proposed estimation procedure is applied to a class of fractional stochastic volatility models to estimate the drift, standard deviation and memory parameters of the volatility process under consideration. As an application, the volatility of the Dow Jones, S&P 500, CAC 40, DAX 30, FTSE 100 and NIKKEI 225 is estimated.