Full Bayesian Inference for GARCH and EGARCH Models
GARCH 与 EGARCH 模型的完整贝叶斯推断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 GARCH、EGARCH 的波动率预测，并使用股票指数例示，最直接对应金融波动率方向。
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…
GARCH 与 EGARCH 模型的完整贝叶斯推断
- 研究问题
- 如何在完整贝叶斯框架下同时进行 GARCH 与 EGARCH 模型的参数估计、模型选择及波动率预测，并实现计算？
- 方法与思路
- 作者利用马尔可夫链蒙特卡洛方法实施贝叶斯分析，涵盖参数估计、模型选择和波动率预测，并以雅典证券交易所综合指数例示。
- 材料陈述的贡献
- 摘要提出覆盖估计、选择与预测的 GARCH 和 EGARCH 完整贝叶斯分析，并提供计算实现细节及股票指数应用示例。
- 阅读关注点
- 应核对先验与模型约束、蒙特卡洛链的收敛诊断、模型比较准则，以及波动率预测如何表达并评估不确定性。
- 阅读边界
- 摘要未说明先验、抽样算法细节、预测评价方式或与其他方法的比较；不能据此断言贝叶斯方案具有更高预测精度。
原文摘要
A full Bayesian analysis of GARCH and EGARCH models is proposed consisting of parameter estimation, model selection, and volatility prediction. The Bayesian paradigm is implemented via Markov-chain Monte Carlo methodologies. We provide implementation details and illustrations using the General Index of the Athens stock exchange.