Scalable inference for a full multivariate stochastic volatility model
完整多元随机波动率模型的可扩展推断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：摘要核心是多元随机波动率，并明确用于随机波动率 VAR 和股票日收益，支持波动率及时间序列方向。
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…
完整多元随机波动率模型的可扩展推断
- 研究问题
- 能否在不限制多元波动率矩阵结构的情况下，使所有元素随潜在随机过程变化，同时实现适用于大型数据集的可行推断？
- 方法与思路
- 作者提出完整多元随机波动率模型，并设计可扩展 MCMC，将所需多元正态密度计算的复杂度由三次降低为二次。
- 材料陈述的贡献
- 摘要称，该框架兼顾波动率矩阵的灵活性和计算可扩展性，并展示随机波动率 VAR 的宏观应用及含大量股票日收益的数据应用。
- 阅读关注点
- 应核对波动率矩阵如何保持正定、潜在过程的参数化、二次复杂度具体涵盖哪些步骤，以及大型样本下的混合和收敛表现。
- 阅读边界
- 摘要只明确给出正态密度计算的复杂度改进，未提供整体 MCMC 成本、精度或比较结果；日收益应用不构成高频数据方法证据。
原文摘要
We introduce a multivariate stochastic volatility model that imposes no restrictions on the structure of the volatility matrix and treats all its elements as functions of latent stochastic processes. Inference is achieved via a carefully designed feasible and scalable MCMC that has quadratic, rather than cubic, computational complexity for evaluating the multivariate normal densities required. We illustrate how our model can be applied on macroeconomic applications through a stochastic volatility VAR model, comparing it to competing approaches in the literature. We also demonstrate how our approach can be applied to a large dataset containing 571 stock daily returns of Euro STOXX index.