Inference on Self‐Exciting Jumps in Prices and Volatility Using High‐Frequency Measures
利用高频测度推断价格与波动率的自激跳跃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：摘要利用高频价格跳跃和波动率测度进行贝叶斯推断，核心对象包括资产波动率及其动态跳跃机制。
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…
利用高频测度推断价格与波动率的自激跳跃
- 研究问题
- 如何借助收益及高频测度推断资产价格与波动率的自激跳跃，动态跳跃强度能否得到数据支持，并改善模型的预测表现？
- 方法与思路
- 作者将联合 Hawkes 过程与二元跳跃扩散模型结合，通过状态空间连接收益和非参数测度，使用 MCMC 做贝叶斯推断并比较边际似然。
- 材料陈述的贡献
- 摘要称，对 1996—2014 年标普 500 指数的实证分析支持动态跳跃强度，并报告了预测准确性方面的支持，同时比较多种备选模型。
- 阅读关注点
- 阅读时应核对自激与交叉激励结构、潜在跳跃和测度误差的识别，以及先验和 MCMC 收敛；并检查边际似然与预测比较的具体设计。
- 阅读边界
- 摘要未说明预测指标、样本外评价安排及支持力度的数值，也未说明测度误差处理；仅凭所述指数与时期的证据，无法判断对其他资产的适用性。
原文摘要
Summary Dynamic jumps in the price and volatility of an asset are modelled using a joint Hawkes process in conjunction with a bivariate jump diffusion. A state‐space representation is used to link observed returns, plus nonparametric measures of integrated volatility and price jumps, to the specified model components, with Bayesian inference conducted using a Markov chain Monte Carlo algorithm. An evaluation of marginal likelihoods for the proposed model relative to a large number of alternative models, including some that have featured in the literature, is provided. An extensive empirical investigation is undertaken using data on the S&P 500 market index over the 1996–2014 period, with substantial support for dynamic jump intensities—including in terms of predictive accuracy—documented. Copyright © 2016 John Wiley & Sons, Ltd.