Bayesian Inference for Non-Gaussian Ornstein–Uhlenbeck Stochastic Volatility Processes
非高斯 Ornstein–Uhlenbeck 随机波动过程的贝叶斯推断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：摘要明确研究随机波动过程的贝叶斯估计，并应用于汇率数据，直接对应金融波动率计量方向。
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…
非高斯 Ornstein–Uhlenbeck 随机波动过程的贝叶斯推断
- 研究问题
- 如何对非高斯 Ornstein–Uhlenbeck 随机波动过程进行贝叶斯推断，并处理潜在波动过程及模型参数的联合估计？
- 方法与思路
- 作者以带标记泊松过程表示潜在波动，设计两类联合参数化的 Metropolis–Hastings 算法，并扩展至多个过程叠加。
- 材料陈述的贡献
- 摘要称，论文建立相应 MCMC 推断方法，使用不同模拟数据考察表现，并将方法应用于美元兑德国马克汇率。
- 阅读关注点
- 应核对泊松过程表示、两种参数化的区别、先验与计算步骤，以及叠加模型的推断和采样混合诊断。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未提供算法效率数值、汇率样本细节或比较结论，不能据此判断预测及风险管理表现。
原文摘要
Summary We develop Markov chain Monte Carlo methodology for Bayesian inference for non-Gaussian Ornstein–Uhlenbeck stochastic volatility processes. The approach introduced involves expressing the unobserved stochastic volatility process in terms of a suitable marked Poisson process. We introduce two specific classes of Metropolis–Hastings algorithms which correspond to different ways of jointly parameterizing the marked point process and the model parameters. The performance of the methods is investigated for different types of simulated data. The approach is extended to consider the case where the volatility process is expressed as a superposition of Ornstein–Uhlenbeck processes. We apply our methodology to the US dollar–Deutschmark exchange rate.