A Bayesian Quantile Time Series Model for Asset Returns
资产收益的贝叶斯分位数时间序列模型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：摘要明确将时变分位数模型用于股票、指数和商品收益的估计与预测，最直接对应金融收益预测方向。
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
资产收益的贝叶斯分位数时间序列模型
- 研究问题
- 如何联合建模资产收益随时间变化的多个分位数，同时直接计算分位数函数与似然，从而开展贝叶斯估计和收益预测？
- 方法与思路
- 作者提出灵活的贝叶斯时变变换模型，使似然与分位数函数可直接计算，并讨论平稳性条件、先验选择及 MCMC 推断算法。
- 材料陈述的贡献
- 摘要称该模型提供联合分位数建模与贝叶斯推断的可计算途径，推导平稳性条件，并以股票、指数和商品收益展示估计与预测用途。
- 阅读关注点
- 应核对变换模型的参数化、分位数之间的一致性、平稳性条件、先验敏感性与 MCMC 收敛，并查看收益预测的评价设计。
- 阅读边界
- 摘要未说明分位数选择、预测期限、评价指标及比较模型；所述应用展示不足以判断预测优势、尾部精度或不同市场中的稳健性。
原文摘要
We consider jointly modeling a finite collection of quantiles over time. Formal Bayesian inference on quantiles is challenging since we need access to both the quantile function and the likelihood. We propose a flexible Bayesian time-varying transformation model, which allows the likelihood and the quantile function to be directly calculated. We derive conditions for stationarity, discuss suitable priors, and describe a Markov chain Monte Carlo algorithm for inference. We illustrate the usefulness of the model for estimation and forecasting on stock, index, and commodity returns.