Moving average stochastic volatility models with application to inflation forecast
含移动平均误差的随机波动率模型及其通胀预测应用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：摘要明确研究含序列相关误差的状态空间模型，并以美国通胀样本外预测作为应用。
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
含移动平均误差的随机波动率模型及其通胀预测应用
- 研究问题
- 在条件均值具有状态空间表示时，如何同时建模移动平均误差与随机波动率，并解决序列相关测量误差带来的估计困难？
- 方法与思路
- 作者提出同时包含移动平均误差和随机波动率的新模型类，并基于精度矩阵算法的发展构建后验模拟器，应用于美国通胀。
- 材料陈述的贡献
- 摘要称，美国通胀应用中，新模型的样本内拟合与样本外预测表现优于仅包含随机波动率的标准变体。
- 阅读关注点
- 应核对移动平均阶数、状态空间设定和后验模拟方法，以及预测窗口、评价指标与基准模型是否具有可比性。
- 阅读边界
- 仅据 RePEc 所载出版社摘要；摘要未提供改善幅度、预测期数与不确定性，不能将单一应用的优势推广至所有序列。
原文摘要
We introduce a new class of models that has both stochastic volatility and moving average errors, where the conditional mean has a state space representation. Having a moving average component, however, means that the errors in the measurement equation are no longer serially independent, and estimation becomes more difficult. We develop a posterior simulator that builds upon recent advances in precision-based algorithms for estimating these new models. In an empirical application involving US inflation we find that these moving average stochastic volatility models provide better in-sample fitness and out-of-sample forecast performance than the standard variants with only stochastic volatility.