srvar-toolkit: A Python Implementation of Shadow-Rate Vector Autoregressions with Stochastic Volatility
srvar-toolkit：含随机波动率的影子利率 VAR Python 工具包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：摘要明确实现用于有效利率下限情形的宏观贝叶斯 VAR，并以宏观变量预测为用途，对应时间序列、VAR 与预测。
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
srvar-toolkit：含随机波动率的影子利率 VAR Python 工具包
- 研究问题
- 利率触及有效下限时，如何用可复现的 Python 工具估计含影子利率约束和随机波动率的贝叶斯 VAR，以预测宏观变量？
- 方法与思路
- 工具包结合共轭先验与 Minnesota 式收缩、影子利率的 Gibbs 数据增广、混合近似下的对角随机波动率及随机搜索变量选择。
- 材料陈述的贡献
- 摘要介绍既有影子利率 VAR 方法的开源实现，提供配置驱动的命令行接口及可选绘图功能，并称软件采用 MIT 许可发布。
- 阅读关注点
- 应核对影子利率约束的实现、先验与收缩参数、采样收敛诊断，以及随机波动率近似、预测输出和软件复现流程。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未经核实；摘要提及的既有期刊方法不能证明本工具已获评审，代码和预测表现亦未核验。
原文摘要
We introduce srvar-toolkit, an open-source Python package for Bayesian vector autoregression with shadow-rate constraints and stochastic volatility. The toolkit implements the methodology of Grammatikopoulos (2025, Journal of Forecasting) for forecasting macroeconomic variables when interest rates hit the effective lower bound. We provide conjugate Normal-Inverse-Wishart priors with Minnesota-style shrinkage, latent shadow-rate data augmentation via Gibbs sampling, diagonal stochastic volatility using the Kim-Shephard-Chib mixture approximation, and stochastic search variable selection. Core dependencies are NumPy, SciPy, and Pandas, with optional extras for plotting and a configuration-driven command-line interface. We release the software under the MIT licence at https://github.com/shawcharles/srvar-toolkit.