Bayesian estimation of dynamic asset pricing models with informative observations
利用信息丰富观测进行动态资产定价模型的贝叶斯估计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：摘要明确研究动态资产定价模型，并以波动动态、方差互换和价格波动共同跳跃为应用核心。
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
利用信息丰富观测进行动态资产定价模型的贝叶斯估计
- 研究问题
- 复杂动态资产定价模型纳入衍生品数据后，如何降低贝叶斯估计成本，并刻画共同跳跃、非仿射性和自激波动动态？
- 方法与思路
- 作者提出结合共同随机数与平滑粒子滤波的两阶段序贯蒙特卡洛采样器，用于包含价格与波动共同跳跃等特征的模型。
- 材料陈述的贡献
- 摘要称，该方法以较低成本提供接近完整似然的推断；标普500指数和方差互换数据的应用支持纳入非仿射性与自激。
- 阅读关注点
- 应核对两阶段采样器的目标分布、平滑滤波的近似误差、错设稳健性的含义，以及衍生品数据对参数识别的作用。
- 阅读边界
- 仅据所给出版社摘要，不能确认计算优势的普遍性或错设稳健性的范围；成本数值、比较设置及经验检验细节未说明。
原文摘要
In dynamic asset pricing models, when the model structure becomes complex and derivatives data are introduced in estimation, traditional MCMC methods converge slowly, are difficult to design efficient proposals for parameters, and have large computational cost. We propose a two-stage sequential Monte Carlo sampler based on common random numbers and a smooth particle filter. This method is robust to potential model misspecification and can deliver almost full-likelihood-based inference at a much smaller computational cost. It is applied to estimate a class of volatility models that take into account price-volatility co-jumps, non-affineness, and self-excitation. An empirical study using S&P 500 index and variance swap rates shows that both non-affineness and self-excitation need to be introduced in modeling volatility dynamics.