Accelerating score-driven time series models
得分驱动时间序列模型的加速更新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：摘要提出动态得分驱动时间序列模型，并明确应用于金融波动率和美国通胀预测，对应时间序列、波动率及预测。
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…
关注这篇论文的作者
得分驱动时间序列模型的加速更新
- 研究问题
- 如何利用过去得分创新的自相关，让时变参数过滤中的创新权重随时间调整，并改善波动率建模与通胀预测？
- 方法与思路
- 作者为得分创新的权重参数设置动态更新方程，利用历史创新的自相关实现加速，并将其用于 GARCH 和时变均值模型。
- 材料陈述的贡献
- 摘要称，加速更新在减少 Kullback–Leibler 散度意义下具有最优性；汇率、股票波动率及美国通胀应用展示其经验用途。
- 阅读关注点
- 应核对加速方程的形式、散度最优性的比较对象与适用条件，以及过滤稳定性和波动率密度预测、通胀预测的评价设计。
- 阅读边界
- 仅据所列出版社摘要，最优性条件和实证改善幅度未说明；减少散度的理论结论不能直接视为所有预测指标均获改善。
原文摘要
We propose a new class of score-driven time series models that allows for a more flexible weighting of score innovations for the filtering of time varying parameters. The parameter for the score innovation is made time-varying by means of an updating equation that accounts for the autocorrelations of past innovations. We provide the theoretical foundations for this acceleration method by showing optimality in terms of reducing Kullback–Leibler divergence. The empirical relevance of this accelerated score-driven updating method is illustrated in two empirical studies. First, we include acceleration in the generalized autoregressive conditional heteroskedasticity model. We adopt the new model to extract volatility from exchange rates and to analyze daily density forecasts of volatilities from all individual stock return series in the Standard & Poor’s 500 index. Second, we consider a score-driven acceleration for the time-varying mean and use this new model in a forecasting study for US inflation.