Modeling the Conditional Distribution of Daily Stock Index Returns: An Alternative Bayesian Semiparametric Model
股指日收益条件分布建模：一种替代性的贝叶斯半参数模型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：摘要明确采用参数模型描述金融收益波动，并讨论波动聚集、杠杆效应及与 GARCH、随机波动模型的比较。
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…
股指日收益条件分布建模：一种替代性的贝叶斯半参数模型
- 研究问题
- 如何为股票指数日收益构建灵活的条件分布模型，在保留参数化波动结构的同时刻画厚尾、非对称、波动聚集及杠杆效应？
- 方法与思路
- 作者提出一类贝叶斯半参数模型，以贝叶斯非参数先验生成单峰且非对称的随机密度，并以参数模型描述波动，将分布形状与波动结构结合。
- 材料陈述的贡献
- 摘要称模型可刻画厚尾、非对称、波动聚集与杠杆效应，并在三个股指日收益上与 GARCH、随机波动和其他贝叶斯半参数模型进行比较。
- 阅读关注点
- 重点核对密度先验的约束、分布形状与参数化波动的连接方式，以及后验计算和模型比较标准；区分拟合表现、预测表现与尾部刻画能力。
- 阅读边界
- 摘要未说明先验的具体形式、波动方程、计算方法或比较结果；仅凭所列特征与比较对象，不能判断模型是否优于既有方法或具有更好的预测表现。
原文摘要
This article introduces a new family of Bayesian semiparametric models for the conditional distribution of daily stock index returns. The proposed models capture key stylized facts of such returns, namely, heavy tails, asymmetry, volatility clustering, and the “leverage effect.” A Bayesian nonparametric prior is used to generate random density functions that are unimodal and asymmetric. Volatility is modeled parametrically. The new model is applied to the daily returns of the S&P 500, FTSE 100, and EUROSTOXX 50 indices and is compared with GARCH, stochastic volatility, and other Bayesian semiparametric models.