A GMM approach to estimate the roughness of stochastic volatility
估计随机波动率粗糙程度的 GMM 方法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：摘要直接讨论随机波动率的粗糙性，以及利用高频实现方差进行估计和误差修正。
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…
估计随机波动率粗糙程度的 GMM 方法
- 研究问题
- 如何估计分数布朗运动驱动的随机波动率模型，并区分真实粗糙性与高频波动率测量误差造成的虚假粗糙性及参数偏差？
- 方法与思路
- 作者基于积分方差构造 GMM 估计，分析以高频实现方差替代时的抽样误差，并提出无需引入干扰参数的解析测量误差控制方法。
- 材料陈述的贡献
- 摘要称，估计量具有一致性并在更强条件下渐近正态；偏差修正减轻系统偏离，股指应用中 Hurst 指数估计约为0.05。
- 阅读关注点
- 应核对矩条件、渐近正态所需强化条件及实现方差误差的结构，尤其检查偏差修正如何区分测量噪声与波动率的真实记忆特征。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要，不推断刊本变化；摘要未说明具体条件、股指样本或估计不确定性，约0.05是作者报告的结果。
原文摘要
We develop a GMM approach for estimation of log-normal stochastic volatility models driven by a fractional Brownian motion with unrestricted Hurst exponent. We show that a parameter estimator based on the integrated variance is consistent and, under stronger conditions, asymptotically normally distributed. We inspect the behavior of our procedure when integrated variance is replaced with a noisy measure of volatility calculated from discrete high-frequency data. The realized estimator contains sampling error, which skews the fractal coefficient toward “illusive roughness.” We construct an analytical approach to control the impact of measurement error without introducing nuisance parameters. In a simulation study, we demonstrate convincing small sample properties of our approach based both on integrated and realized variance over the entire memory spectrum. We show the bias correction attenuates any systematic deviance in the parameter estimates. Our procedure is applied to empirical high-frequency data from numerous leading equity indexes. With our robust approach the Hurst index is estimated around 0.05, confirming roughness in stochastic volatility.