Multivariate Stochastic Volatility via Wishart Processes
基于 Wishart 过程的多变量随机波动率模型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：摘要的核心是金融收益协方差矩阵的随机波动建模与预测，因此归入波动率；因子模型仅作为比较对象。
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
基于 Wishart 过程的多变量随机波动率模型
- 研究问题
- 如何以随机变化的协方差矩阵刻画多资产收益的联合波动，并检验其协方差预测在样本外最小方差组合构建中的经济价值？
- 方法与思路
- 作者让协方差矩阵按 Wishart 过程随机演化，以后验分布的 MCMC 模拟拟合模型，并设计 Gibbs 抽样器分析月度行业组合收益。
- 材料陈述的贡献
- 摘要称该框架将标量方差直接扩展为协方差矩阵，且基于其预测的最小方差组合，在样本外表现上优于动态条件相关及因子协方差模型。
- 阅读关注点
- 阅读时应核对 Wishart 动态与参数限制、Gibbs 抽样的收敛和计算负担，以及组合比较的评价指标、约束及样本外设计。
- 阅读边界
- 摘要未给出组合表现的具体指标、差异大小或交易成本处理；所述应用的相对优势和抽样效率是否稳健，仍需完整实证与计算证据。
原文摘要
Financial models for asset and derivatives pricing, risk management, portfolio optimization, and asset allocation rely on volatility forecasts. Time-varying volatility models, such as generalized autoregressive conditional heteroscedasticity and stochastic volatility (SVOL), have been successful in improving forecasts over constant volatility models. We develop a new multivariate SVOL framework for modeling financial data that assumes covariance matrices stochastically varying through a Wishart process. In our formulation, scalar variances naturally extend to covariance matrices rather than to vectors of variances as in traditional SVOL models. Model fitting is performed using Markov chain Monte Carlo simulation from the posterior distribution. Because of the model's complexity, an efficiently designed Gibbs sampler is described that produces inferences with a manageable amount of computation. Our approach is illustrated on a multivariate time series of monthly industry portfolio returns. A test of the economic value of our model found that minimum-variance portfolios based on our SVOL covariance forecasts outperformed out-of-sample portfolios based on alternative covariance models, such as dynamic conditional correlations and factor-based covariances.