Volatility analysis with realized GARCH-Itô models
基于已实现GARCH–Itô模型的波动率分析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：摘要直接研究高频数据下的积分波动率、跳跃变差与已实现GARCH模型。
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…
基于已实现GARCH–Itô模型的波动率分析
- 研究问题
- 如何统一连续时间跳跃扩散与离散时间已实现GARCH结构，并结合高频交易和期权数据估计每日积分波动率的动态？
- 方法与思路
- 作者将离散GARCH结构嵌入瞬时波动率过程，利用每日条件积分波动率的自回归形式构造拟似然，并加入期权波动率信息。
- 材料陈述的贡献
- 摘要称，模型以积分波动率和跳跃变差作为创新项，建立参数估计的渐近性质，并提出联合拟似然及标普500和期权应用。
- 阅读关注点
- 应核对连续与离散结构的相容性、跳跃项的作用、高频和期权波动率估计误差，以及联合拟似然的识别和渐近条件。
- 阅读边界
- 仅依据所给出版社摘要；摘要未说明具体渐近条件、测量误差处理或改善幅度，不能断言加入期权信息总能提高估计精度。
原文摘要
This paper introduces a unified approach for modeling high-frequency financial data that can accommodate both the continuous-time jump–diffusion and discrete-time realized GARCH model by embedding the discrete realized GARCH structure in the continuous instantaneous volatility process. The key feature of the proposed model is that the corresponding conditional daily integrated volatility adopts an autoregressive structure, where both integrated volatility and jump variation serve as innovations. We name it as the realized GARCH-Itô model. Given the autoregressive structure in the conditional daily integrated volatility, we propose a quasi-likelihood function for parameter estimation and establish its asymptotic properties. To improve the parameter estimation, we propose a joint quasi-likelihood function that is built on the marriage of daily integrated volatility estimated by high-frequency data and nonparametric volatility estimator obtained from option data. We conduct a simulation study to check the finite sample performance of the proposed methodologies and an empirical study with the S&P500 stock index and option data.