Estimation of Continuous-Time Processes via the Empirical Characteristic Function
连续时间过程的经验特征函数估计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：摘要明确以连续时间随机波动率模型及标普 500 指数收益为示例，其具体金融应用直接支持归入波动率计量方向。
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…
关注这篇论文的作者
连续时间过程的经验特征函数估计
- 研究问题
- 如何估计仿射扩散与仿射跳扩散这类连续时间随机过程，并在扩散模型包含潜变量时利用可计算的特征函数信息？
- 方法与思路
- 作者推导仿射扩散及仿射跳扩散过程的联合特征函数，构造经验特征函数估计，并以精确矩条件开展 GMM 估计。
- 材料陈述的贡献
- 摘要称，该框架可形成高效估计，对含潜变量的扩散模型尤为有用，并以随机波动率模型及标普 500 指数收益展示。
- 阅读关注点
- 核对联合特征函数与可观测量的关系、潜变量的处理、矩条件和权重矩阵的选择，以及摘要所称效率的具体含义。
- 阅读边界
- 摘要未说明具体采样频率、识别条件、权重选取或效率比较基准；连续时间模型及指数收益应用不足以判断高频数据适用性。
原文摘要
This article examines the class of continuous-time stochastic processes commonly known as affine diffusions (AD's) and affine jump diffusions (AJD's). By deriving the joint characteristic function, we are able to examine the statistical properties as well as develop an efficient estimation technique based on empirical characteristic functions (ECF's) and a generalized method of moments (GMM) estimation procedure based on exact moment conditions. We demonstrate that our methods are particularly useful when the diffusions involve latent variables. Our approach is illustrated with a detailed examination of a continuous-time stochastic volatility (SV) model, along with an empirical application using S&P 500 index returns.