No‐arbitrage priors, drifting volatilities, and the term structure of interest rates
无套利先验、时变波动率与利率期限结构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：摘要以无套利仿射期限结构构造先验，在含随机波动率的模型中预测债券收益率，对应资产定价、金融波动率与预测。
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…
无套利先验、时变波动率与利率期限结构
- 研究问题
- 由无套利期限结构模型构造的先验，能否改善政府债券收益率的点预测和密度预测，预测增益又与哪些结构限制有关？
- 方法与思路
- 作者用含随机波动率的贝叶斯 VAR 预测政府债券收益率，并由无套利仿射期限结构模型构造共轭先验，与两类基准比较。
- 材料陈述的贡献
- 摘要称预测精度优于收益率不变的随机游走和含随机波动率的仿射模型；作者认为放松因子结构等约束可能解释预测增益。
- 阅读关注点
- 核对无套利模型到共轭先验的映射、预测期及评价设计，并检查因子结构、Markov 假设和跨方程限制的比较如何实施。
- 阅读边界
- 摘要未说明债券市场、样本期、先验强度及预测误差显著性；放松结构限制的解释使用可能性措辞，不能视为已识别的增益机制。
原文摘要
Abstract We use a Bayesian vector autoregression with stochastic volatility to forecast government bond yields. We form the conjugate prior from a no‐arbitrage affine term structure model. The model improves on the accuracy of point and density forecasts from a no‐change random walk and an affine term structure model with stochastic volatility. Our proposed approach may succeed by relaxing the no‐arbitrage affine term structure model's requirements that yields obey a factor structure and that the factors follow a Markov process. In the term structure model, its cross‐equation no‐arbitrage restrictions on the factor loadings appear to play a marginal role in forecasting gains.