AUTOMATED INFERENCE AND LEARNING IN MODELING FINANCIAL VOLATILITY
金融波动率建模中的自动推断与学习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：摘要明确围绕单变量、多变量条件波动率及随机波动率模型，直接属于金融波动率计量。
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
金融波动率建模中的自动推断与学习
- 研究问题
- 单变量与多变量金融波动率模型的参数数量和计算复杂性，如何限制自动推断，又有哪些建模环节适合进一步自动化？
- 方法与思路
- 作者采用特殊到一般的讨论路径，梳理条件波动率和随机波动率模型在设定、估计、检验上的二十个问题，并给出自动化潜力指标。
- 材料陈述的贡献
- 摘要所述贡献是系统讨论二十项波动率建模问题，逐项提供自动化潜力指标与建议，强调现有自动推断需要修改和扩展。
- 阅读关注点
- 应核对二十项问题的具体内容、自动化潜力指标的定义和评判依据，以及各项建议是否配有算法、理论或经验验证。
- 阅读边界
- 仅依据所给 Crossref 摘要；指标构造和验证证据未说明，不能将自动化建议视为已证实的性能提升，也不能推断版本变化。
原文摘要
This paper uses the specific-to-general methodological approach that is widely used in science, in which problems with existing theories are resolved as the need arises, to illustrate a number of important developments in the modeling of univariate and multivariate financial volatility. Some of the difficulties in analyzing time-varying univariate and multivariate conditional volatility and stochastic volatility include the number of parameters to be estimated and the computational complexities associated with multivariate conditional volatility models and both univariate and multivariate stochastic volatility models. For these reasons, among others, automated inference in its present state requires modifications and extensions for modeling in empirical financial econometrics. As a contribution to the development of automated inference in modeling volatility, 20 important issues in the specification, estimation, and testing of conditional and stochastic volatility models are discussed. A “potential for automation rating” (PAR) index and recommendations regarding the possibilities for automated inference in modeling financial volatility are given in each case.