Sequential Estimation of Multivariate Factor Stochastic Volatility Models
多元因子随机波动率模型的序贯估计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：摘要以金融收益的随机波动率和潜在因子结构为核心，直接对应波动率与金融因子。
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…
多元因子随机波动率模型的序贯估计
- 研究问题
- 多元因子随机波动率模型虽能缓解收益序列维度增加带来的参数负担，但计算成本较高；如何以较简便程序估计其参数？
- 方法与思路
- 作者提出两步估计：先用极大似然估计因子载荷与无条件方差，再以 GARCH 为辅助模型，用有效矩方法估计随机波动率结构参数。
- 材料陈述的贡献
- 摘要称，蒙特卡洛实验显示参数估计表现良好，模拟及最高维度为148的日收益应用显示，相较现有估计程序具有计算优势。
- 阅读关注点
- 应核对因子结构的识别约束、两步估计误差如何传递，以及辅助模型和矩条件的选择；计算比较还需检查基准实现与精度是否可比。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未给出误差或耗时数值，也未说明理论条件，不能推断所有维度下均有计算优势。
原文摘要
We provide a simple method to estimate the parameters of multivariate stochastic volatility models with latent factor structures. These models are very useful as they alleviate the standard curse of dimensionality, allowing the number of parameters to increase only linearly with the number of the return series. Although theoretically very appealing, these models have only found limited practical application due to huge computational burdens. Our estimation method is simple in implementation as it consists of two steps: first, we estimate the loadings and the unconditional variances by maximum likelihood, and then we use the efficient method of moments to estimate the parameters of the stochastic volatility structure with GARCH as an auxiliary model. In a comprehensive Monte Carlo study we show the good performance of our method to estimate the parameters of interest accurately. The simulation study and an application to real vectors of daily returns of dimensions up to 148 show the method's computation advantage over the existing estimation procedures.