Estimating the Parameters of Stochastic Volatility Models Using Option Price Data
利用期权价格数据估计随机波动率模型参数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：摘要以指数及期权价格估计随机波动率，并区分实际与风险中性测度及风险溢价，直接涉及金融波动率和资产定价。
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…
利用期权价格数据估计随机波动率模型参数
- 研究问题
- 如何联合利用指数和期权价格，估计平方根随机波动率模型及其含股价跳跃扩展，并区分实际测度与风险中性测度下的参数？
- 方法与思路
- 作者用粒子滤波实现最大似然估计，并以 GPU 并行计算控制计算负担；方法同时使用标普 500 指数及其普通期权价格。
- 材料陈述的贡献
- 摘要称该方法可联合估计实际与风险中性测度参数，包括波动率和跳跃风险溢价；其样本中两类风险溢价均具有统计显著性。
- 阅读关注点
- 应核对指数与期权数据的联合似然构造、两种测度之间的参数联系、粒子滤波误差，以及 GPU 加速和模拟验证的具体设置。
- 阅读边界
- 摘要未提供参数识别条件、滤波精度、计算成本或稳健性细节；可靠估计与风险溢价显著性的陈述仍需结合全文诊断和标准误判断。
原文摘要
This article describes a maximum likelihood method for estimating the parameters of the standard square-root stochastic volatility model and a variant of the model that includes jumps in equity prices. The model is fitted to data on the S&P 500 Index and the prices of vanilla options written on the index, for the period 1990 to 2011. The method is able to estimate both the parameters of the physical measure (associated with the index) and the parameters of the risk-neutral measure (associated with the options), including the volatility and jump risk premia. The estimation is implemented using a particle filter whose efficacy is demonstrated under simulation. The computational load of this estimation method, which previously has been prohibitive, is managed by the effective use of parallel computing using graphics processing units (GPUs). The empirical results indicate that the parameters of the models are reliably estimated and consistent with values reported in previous work. In particular, both the volatility risk premium and the jump risk premium are found to be significant.