Improved density forecasts using mixed frequency data:A Bayesian approach
利用混频数据改进密度预测：贝叶斯方法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：摘要结合资产收益分布预测、GARCH 与随机波动模型及日内高频收益信息。
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…
利用混频数据改进密度预测：贝叶斯方法
- 研究问题
- 如何将日内收益信息灵活纳入日收益模型，以预测资产收益条件分布，并针对关注的分布区域训练预测模型？
- 方法与思路
- 作者用样条刻画日内收益对 GARCH 和随机波动模型的贡献，并对较简单的 GARCH 采用聚焦贝叶斯预测框架。
- 材料陈述的贡献
- 摘要称，三个宽基市场指数与十个行业指数的实证展示了高频信息、灵活混频建模及聚焦贝叶斯估计带来的预测收益。
- 阅读关注点
- 应核对混频信息对齐、样条结构、聚焦区域与训练准则，以及密度预测评价指标和各类模型的比较设计。
- 阅读边界
- 依据作者／机构库版本摘要，不能推断后续刊本变化或评审状态；摘要未说明预测收益数值及其样本外评价细节。
原文摘要
We construct a modeling framework that allows for the flexible contribution of intraday information to predict the conditional distribution of asset returns. A flexible spline specification is proposed to capture the contribution of intraday returns inside GARCH and stochastic volatility specifications for daily returns. The “focused Bayesian” prediction framework is adopted to allow the intraday contribution to the simpler GARCH specification to be trained according to the region of the support that is of interest. An empirical analysis of three broad market indices and ten industrial indices demonstrates the gains from using (i) high-frequency data, (ii) incorporated flexibly into the low-frequency model, and (iii) simpler specifications estimated using a focused Bayes approach.