A simple joint model for returns, volatility and volatility of volatility
收益、波动率与波动率的波动率的简洁联合模型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：摘要直接建模资产收益波动率及其波动，并评价 VaR 预测，支持波动率和尾部风险方向。
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…
关注这篇论文的作者
收益、波动率与波动率的波动率的简洁联合模型
- 研究问题
- 如何在资产收益模型中同时刻画波动率自身的条件异方差，并把当前收益信息用于波动率即时预测、未来预测及风险度量？
- 方法与思路
- 作者提出联合收益与波动率动态模型，使波动率的波动程度具有条件异方差，并研究观测间隔趋零时向 GARCH 型扩散的弱收敛。
- 材料陈述的贡献
- 摘要称，模型在高斯创新下可捕捉资产收益的典型事实；实证中相较常见 GARCH 型模型，拟合、参数估计及波动率和 VaR 预测更好。
- 阅读关注点
- 应核对动态方程、当前收益进入预测的信息时点、扩散极限条件，以及典型事实的范围和波动率、VaR 的评价方式。
- 阅读边界
- 摘要未列明全部典型事实、比较模型和预测改进幅度，也未提供参数估计效率的度量；实证优势不能据此视为普遍结论。
原文摘要
We propose a model that allows for conditional heteroskedasticity in the volatility of asset returns and incorporates current return information into the volatility nowcast and forecast. Our model can capture all stylised facts of asset returns even with Gaussian innovations and is simple to implement. Moreover, we show that our model converges weakly to the GARCH-type diffusion as the length of the discrete time intervals between observations goes to zero. Empirical evidence shows that our model has a better fit, a more efficient parameter estimator as well as more accurate volatility and VaR forecasts than other common GARCH-type models.