Multiplicative Component GARCH Model of Intraday Volatility
日内波动率的乘法成分GARCH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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究日内条件波动率，并利用交易持续时间处理不等间隔金融收益。
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
日内波动率的乘法成分GARCH模型
- 研究问题
- 如何同时刻画日内周期性、日内随机波动与每日条件波动，并纳入相邻交易持续时间以处理不等间隔收益？
- 方法与思路
- 作者把日内条件波动表示为三个成分的乘积，在既有模型中加入交易间隔，并提出日内波动周期性的非参数估计方法。
- 材料陈述的贡献
- 摘要称模型适用于等间隔和不等间隔收益，且实证结果显示能够捕捉日内收益的相互依赖，并提供周期成分估计方法。
- 阅读关注点
- 应核对持续时间进入模型的方式、三个成分的区分与估计步骤，以及非参数周期估计如何影响模型拟合和推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未提供参数约束、估计理论和具体实证指标，不能判断预测优势。
原文摘要
This paper proposes a multiplicative component intraday volatility model. The intraday conditional volatility is expressed as the product of intraday periodic component, intraday stochastic volatility component and daily conditional volatility component. I extend the multiplicative component intraday volatility model of Engle (2012) and Andersen and Bollerslev (1998) by incorporating the durations between consecutive transactions. The model can be applied to both regularly and irregularly spaced returns. I also provide a nonparametric estimation technique of the intraday volatility periodicity. The empirical results suggest the model can successfully capture the interdependency of intraday returns.