Bayesian Modeling and Forecasting of 24-Hour High-Frequency Volatility
全天候高频波动率的贝叶斯建模与预测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：摘要直接使用五分钟指数期货收益建模和预测随机波动率，明确对应金融高频计量与波动率研究。
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…
全天候高频波动率的贝叶斯建模与预测
- 研究问题
- 如何直接使用全天候五分钟指数期货收益，联合刻画日内与跨日波动、跳跃、季节性和公告影响，并评估样本外波动率预测？
- 方法与思路
- 作者构建含多个持续性随机波动因子及价格、波动跳跃的模型，以统一 MCMC 估计状态和参数，再用粒子滤波比较模型并预测。
- 材料陈述的贡献
- 摘要称在所述案例和基准下，实现波动率预测改善幅度最高达百分之五十，并说明风险管理应用；该数值是作者报告的案例结果。
- 阅读关注点
- 应核对全天候交易时段处理、跳跃与季节性识别，以及样本外预测的期限、损失函数、比较基准和最高改善幅度对应的情形。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要。估计案例为2007—2009年，预测期为2009—2012年；改善指标与稳健性未详述，不能推断普遍优势或刊本变化。
原文摘要
This article estimates models of high-frequency index futures returns using “around-the-clock” 5-min returns that incorporate the following key features: multiple persistent stochastic volatility factors, jumps in prices and volatilities, seasonal components capturing time of the day patterns, correlations between return and volatility shocks, and announcement effects. We develop an integrated MCMC approach to estimate interday and intraday parameters and states using high-frequency data without resorting to various aggregation measures like realized volatility. We provide a case study using financial crisis data from 2007 to 2009, and use particle filters to construct likelihood functions for model comparison and out-of-sample forecasting from 2009 to 2012. We show that our approach improves realized volatility forecasts by up to 50% over existing benchmarks and is also useful for risk management and trading applications. Supplementary materials for this article are available online.