Marginal likelihood for Markov-switching and change-point GARCH models
马尔可夫转换与变点 GARCH 模型的边际似然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：摘要直接研究收益序列中的状态转换与变点 GARCH 波动率模型及其选择。
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…
马尔可夫转换与变点 GARCH 模型的边际似然
- 研究问题
- 存在波动率结构变化时，如何计算具有路径依赖的马尔可夫转换和变点 GARCH 模型的边际似然，以选择状态数或变点数？
- 方法与思路
- 作者使用粒子 MCMC 处理模型路径依赖并计算边际似然，在模拟数据上考察方法表现，再以多个收益序列展示实际使用。
- 材料陈述的贡献
- 摘要称，论文解决了这两类 GARCH 模型的边际似然计算问题，为确定状态或变点数量提供方法，并给出模拟与收益序列例证。
- 阅读关注点
- 应核对粒子 MCMC 如何得到边际似然、先验对模型比较的影响，以及粒子数量、链收敛和计算误差如何影响状态或变点选择。
- 阅读边界
- 仅据所给出版社摘要，无法判断计算成本、数值稳定性或模型选择准确率；收益序列应用的具体结果及对先验的敏感性均未说明。
原文摘要
GARCH volatility models with fixed parameters are too restrictive for long time series due to breaks in the volatility process. Flexible alternatives are Markov-switching GARCH and change-point GARCH models. They require estimation by MCMC methods due to the path dependence problem. An unsolved issue is the computation of their marginal likelihood, which is essential for determining the number of regimes or change-points. We solve the problem by using particle MCMC, a technique proposed by Andrieu et al. (2010). We examine the performance of this new method on simulated data, and we illustrate its use on several return series.