Simple estimators and inference for higher-order stochastic volatility models
高阶随机波动率模型的简便估计与推断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：摘要直接研究随机波动率模型，并以标普 500 日收益展示不同波动率阶数的估计。
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
高阶随机波动率模型的简便估计与推断
- 研究问题
- 面对高阶随机波动率模型难以计算似然的问题，能否构造计算成本较低的估计量，并开展渐近及有限样本推断？
- 方法与思路
- 作者提出基于矩的温莎化 ARMA 型估计量，利用类似 Durbin–Levinson 的更新算法递归估计不同阶数，并开展蒙特卡洛检验。
- 材料陈述的贡献
- 摘要称，方法无需采样算法、初值或辅助模型，并建立渐近分布；所报告模拟中偏差和均方误差较低，日收益应用偏好三阶模型。
- 阅读关注点
- 应核对温莎化规则、矩条件与参数识别、阶数递归算法，以及模拟比较范围、有限样本检验构造和阶数选择依据。
- 阅读边界
- 仅据所给出版社摘要，不能把模拟中的优势推广到所有参数和样本；具体误差数值、检验条件及三阶模型的选择标准未说明。
原文摘要
We study the problem of estimating higher-order stochastic volatility [SV(p)] models. Due to the difficulty of evaluating the likelihood function, this remains a challenging problem, even in the relatively simple SV(1) case. We propose simple moment-based winsorized ARMA-type estimators, which are computationally inexpensive and remarkably accurate. The proposed estimators do not require choosing a sampling algorithm, initial parameter values, or an auxiliary model. We show that a Durbin–Levinson-type updating algorithm can be applied to recursively estimate models of increasing order p. The asymptotic distribution of the estimators is established. Due to their computational simplicity, the proposed estimators allow one to perform finite-sample Monte Carlo tests. Simulation results show that the proposed estimators have lower bias and mean squared error than all alternative estimators (including Bayes-type estimators). The proposed estimators are applied to S&P 500 daily returns (1928–2016). We find that an SV(3) model is preferable to an SV(1) model.