A Statistical Recurrent Stochastic Volatility Model for Stock Markets
股票市场的统计循环随机波动率模型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：摘要明确研究股票指数的随机波动率及其非线性、长记忆动态与预测。
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…
股票市场的统计循环随机波动率模型
- 研究问题
- 如何将随机波动率模型与循环神经网络结合，刻画传统模型可能遗漏的非线性及长记忆波动动态，并兼顾统计解释和样本外预测？
- 方法与思路
- 作者提出统计循环随机波动率模型，将 SV 与 RNN 结合，并通过广泛模拟及五个国际股票指数数据集考察其性质和预测表现。
- 材料陈述的贡献
- 摘要称，该模型能够捕捉复杂波动效应，具有统计可解释性及较好的样本外预测表现，并提供软件包和文中示例。
- 阅读关注点
- 应核对神经网络与潜在波动过程的连接方式、统计可解释性的具体含义，以及样本外切分、基准模型与预测损失的比较设置。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；网络结构、估计算法和预测改善数值未说明，所列软件未核验，不能推广预测优势或推断刊本变化。
原文摘要
The stochastic volatility (SV) model and its variants are widely used in the financial sector, while recurrent neural network (RNN) models are successfully used in many large-scale industrial applications of deep learning. We combine these two methods in a nontrivial way and propose a model, which we call the statistical recurrent stochastic volatility (SR-SV) model, to capture the dynamics of stochastic volatility. The proposed model is able to capture complex volatility effects, for example, nonlinearity and long-memory auto-dependence, overlooked by the conventional SV models, is statistically interpretable and has an impressive out-of-sample forecast performance. These properties are carefully discussed and illustrated through extensive simulation studies and applications to five international stock index datasets: the German stock index DAX30, the Hong Kong stock index HSI50, the France market index CAC40, the U.S. stock market index SP500 and the Canada market index TSX250. An user-friendly software package together with the examples reported in the article are available at https://github.com/vbayeslab.