Bayesian Nonparametric Panel Markov-Switching GARCH Models
贝叶斯非参数面板马尔可夫转换 GARCH 模型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：摘要以金融收益的面板马尔可夫转换 GARCH 模型刻画和预测波动率。
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…
贝叶斯非参数面板马尔可夫转换 GARCH 模型
- 研究问题
- 如何在多条金融收益序列中同时刻画各自的波动状态转换与横截面相似性，并缓解面板 GARCH 模型的高维参数问题？
- 方法与思路
- 作者以序列特定的隐马尔可夫链驱动 GARCH 参数，通过层级先验柔性汇集参数，并用非参数先验聚类和 MCMC 推断。
- 材料陈述的贡献
- 摘要称模型结合状态转换、参数汇集和横截面聚类，并在模拟及美国金融收益应用中报告较好的预测与资产配置表现。
- 阅读关注点
- 应核对状态数和聚类先验的设定、参数约束、MCMC 收敛，以及预测比较和基于预测的组合绩效评估是否充分。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未核对刊本变化；预测指标、配置约束、交易成本及经济收益的具体数值均未说明。
原文摘要
This article proposes Bayesian nonparametric inference for panel Markov-switching GARCH models. The model incorporates series-specific hidden Markov chain processes that drive the GARCH parameters. To cope with the high-dimensionality of the parameter space, the article assumes soft parameter pooling through a hierarchical prior distribution and introduces cross sectional clustering through a Bayesian nonparametric prior distribution. An MCMC posterior approximation algorithm is developed and its efficiency is studied in simulations under alternative settings. An empirical application to financial returns data in the United States is offered with a portfolio performance exercise based on forecasts. A comparison shows that the Bayesian nonparametric panel Markov-switching GARCH model provides good forecasting performances and economic gains in optimal asset allocation.