Bayesian Analysis of Stochastic Volatility Model using Finite Gaussian Mixtures with Unknown Number of Components
使用成分数未知的有限高斯混合进行随机波动模型的贝叶斯分析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。
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：摘要明确针对资产收益建立随机波动模型，并以股票收益展示高斯混合的贝叶斯估计，因此归入波动率；未直接研究尾部风险。
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
使用成分数未知的有限高斯混合进行随机波动模型的贝叶斯分析
- 研究问题
- 资产收益可能具有多个聚类且混合成分数量未知时，如何在随机波动模型中灵活刻画收益分布，并实施贝叶斯估计？
- 方法与思路
- 作者通过 Birth–Death 过程调整有限混合的成分数量与权重，将高斯混合用于半参数随机波动模型，并用 Gibbs 抽样生成后验链。
- 材料陈述的贡献
- 摘要展示成分数未知的有限混合算法及其随机波动建模应用，并以印度国家银行股票收益数据说明方法实施。
- 阅读关注点
- 应核对收益混合与波动状态的模型分工、成分数及其他参数先验、Birth–Death 与 Gibbs 更新的配合，以及后验链诊断。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未报告估计结果或预测比较，不能据此确认模型收敛、风险测度或性能优势。
原文摘要
Financial studies require volatility based models which provides useful insights on risks related to investments. Stochastic volatility models are one of the most popular approaches to model volatility in such studies. The asset returns under study may come in multiple clusters which are not captured well assuming standard distributions. Mixture distributions are more appropriate in such situations. In this work, an algorithm is demonstrated which is capable of studying finite mixtures but with unknown number of components. This algorithm uses a Birth-Death process to adjust the number of components in the mixture distribution and the weights are assigned accordingly. This mixture distribution specification is then used for asset returns and a semi-parametric stochastic volatility model is fitted in a Bayesian framework. A specific case of Gaussian mixtures is studied. Using appropriate prior specification, Gibbs sampling method is used to generate posterior chains and assess model convergence. A case study of stock return data for State Bank of India is used to illustrate the methodology.