A Maximum Likelihood Approach for Non-Gaussian Stochastic Volatility Models
非高斯随机波动率模型的极大似然方法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：摘要直接研究随机波动率、非高斯波动率创新及股票指数模型拟合，证据明确指向金融波动率建模与估计。
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
非高斯随机波动率模型的极大似然方法
- 研究问题
- 如何直接计算非高斯随机波动率模型的边际似然并进行极大似然估计，以及何种波动率创新分布更能拟合股票指数数据？
- 方法与思路
- 作者采用递归数值积分直接计算边际似然，使用常规积分技术估计随机波动率模型，并比较新模型与两类扩展模型的拟合。
- 材料陈述的贡献
- 摘要称，实验中的方法表现可比当时较佳估计工具；股票指数应用中，具有高度非高斯波动率创新的模型拟合优于所列模型。
- 阅读关注点
- 应核对递归积分的数值精度与计算成本，以及非高斯创新的设定、比较模型的定义和判定拟合优劣所采用的准则。
- 阅读边界
- 摘要未说明创新分布形式、数据时期、性能指标或差异大小；拟合优势仅针对所列模型，不能推出普遍估计优势或预测改善。
原文摘要
A maximum likelihood approach for the analysis of stochastic volatility models is developed. The method uses a recursive numerical integration procedure that directly calculates the marginal likelihood. Only conventional integration techniques are used, making this approach both flexible and simple. Experimentation shows that the method matches the performance of the best estimation tools currently in use. New stochastic volatility models are introduced and estimated. The model that best fits recent stock-index data is characterized by a highly non-Gaussian stochastic volatility innovation distribution. This model dominates a model that includes an autoregressive conditional heteroscedastic effect in the stochastic volatility process and a model that includes a stochastic volatility effect in the conditional mean.