Sequential Bayesian Analysis of Time-Changed Infinite Activity Derivatives Pricing Models
时间变换无限活动衍生品定价模型的序贯贝叶斯分析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：摘要明确研究衍生品定价模型，并对随机波动率及其他潜在动态成分进行滤波和识别，直接对应资产定价与波动率。
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
时间变换无限活动衍生品定价模型的序贯贝叶斯分析
- 研究问题
- 如何对时间变换的无限活动衍生品定价模型进行序贯贝叶斯推断，并通过标的与期权数据刻画潜在状态及不同动态成分？
- 方法与思路
- 作者提出序贯蒙特卡洛方法，用无迹卡尔曼滤波生成提议密度，以缓解常规粒子滤波的粒子贫化，并考察联合标的与期权数据。
- 材料陈述的贡献
- 摘要称所提方法在模拟和应用中表现更好且更稳健；联合标的与期权数据改善状态滤波，并可共同识别扩散、随机波动率和跳跃。
- 阅读关注点
- 应核对时间变换与跳跃过程设定、无迹卡尔曼提议密度的构造、粒子贫化的评估，以及各动态成分共同识别的条件。
- 阅读边界
- 摘要未说明数据市场、样本频率和完整比较指标；关于滤波精度、稳健性与共同识别的陈述不能据此推广为普遍优势。
原文摘要
This article investigates time-changed infinite activity derivatives pricing models from the sequential Bayesian perspective. It proposes a sequential Monte Carlo method with the proposal density generated by the unscented Kalman filter. This approach overcomes to a large extent the particle impoverishment problem inherent to the conventional particle filter. Simulation study and real applications indicate that (1) using the underlying alone cannot capture the dynamics of states, and by including options, the precision of state filtering is dramatically improved; (2) the proposed method performs better and is more robust than the conventional one; and (3) joint identification of the diffusion, stochastic volatility, and jumps can be achieved using both the underlying data and the options data.