A Markov-switching spatio-temporal ARCH model
马尔可夫切换时空 ARCH 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：摘要明确以股票指数条件波动率为对象，结合 ARCH 与马尔可夫状态切换，最直接对应金融波动率建模。
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…
马尔可夫切换时空 ARCH 模型
- 研究问题
- 当相互关联的股票市场波动出现突发状态变化时，如何同时描述跨市场的时空联系与制度切换，避免单一状态模型误判持续性？
- 方法与思路
- 作者为时空 log-ARCH 模型加入马尔可夫状态切换，讨论最大似然估计和状态平滑推断，并通过模拟及股票指数数据分析评估。
- 材料陈述的贡献
- 摘要称模拟中估计具有良好有限样本性质，在二十八个股票指数应用中拟合优于单状态模型，并可捕捉相邻位置同时发生的变化。
- 阅读关注点
- 应核对空间权重、状态数量及切换机制的设定，检查似然计算、状态识别和比较标准，以及平滑状态与结构变化时间的对应关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未报告拟合差异数值或预测表现，状态切换也不能直接证明崩盘的因果影响。
原文摘要
Stock market indices are volatile by nature, and sudden shocks are known to affect volatility patterns. The autoregressive conditional heteroskedasticity (ARCH) and generalized ARCH (GARCH) models neglect structural breaks triggered by sudden shocks that may lead to an overestimation of persistence, causing an upward bias in the estimates. Different regime-switching models that have abrupt regime-switching governed by a Markov chain were developed to model volatility in financial time series data. Volatility modelling was also extended to spatially interconnected time series, resulting in spatial variants of ARCH models. This inspired us to propose a Markov switching framework of the spatio-temporal log-ARCH model. In this article, we discuss the Markov-switching extension of the model, the estimation procedure and the smooth inferences of the regimes. The Monte-Carlo simulation studies show that the maximum likelihood estimation method for our proposed model has good finite sample properties. The proposed model was applied to 28 stock indices data that were presumably affected by the 2015-2016 Chinese stock market crash. The results showed that our model is a better fit compared to that of the one-regime counterpart. Furthermore, the smoothed inference of the data indicated the approximate periods where structural breaks occurred. This model can capture structural breaks that simultaneously occur in nearby locations.