From Deep Filtering to Deep Econometrics
从深度滤波到深度计量经济学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：摘要明确以市场微观结构噪声下的随机波动率估计为核心任务。
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
从深度滤波到深度计量经济学
- 研究问题
- 在市场微观结构噪声干扰下，如何估计潜在波动率，并在依赖市场动态假设的粒子滤波与神经网络之间结合优势？
- 方法与思路
- 作者实现 SV-PF-RNN，将神经网络与粒子滤波组合为专门面向随机波动率估计的混合架构，并与基础粒子滤波比较。
- 材料陈述的贡献
- 摘要称，所提出的混合架构能够改善基础粒子滤波的表现，为受市场噪声影响的随机波动率估计提供一种方法。
- 阅读关注点
- 应核对潜在波动率与观测噪声模型、网络训练和粒子更新机制，以及评价数据、指标与基础滤波器的配置。
- 阅读边界
- 所据为 arXiv 预印本摘要，同行评审与期刊接收未核实；摘要未给出数据频率、改善幅度或可解释性得到提升的证据。
原文摘要
Calculating true volatility is an essential task for option pricing and risk management. However, it is made difficult by market microstructure noise. Particle filtering has been proposed to solve this problem as it favorable statistical properties, but relies on assumptions about underlying market dynamics. Machine learning methods have also been proposed but lack interpretability, and often lag in performance. In this paper we implement the SV-PF-RNN: a hybrid neural network and particle filter architecture. Our SV-PF-RNN is designed specifically with stochastic volatility estimation in mind. We then show that it can improve on the performance of a basic particle filter.