Beyond Stochastic Volatility and Jumps in Returns and Volatility
超越随机波动率及收益与波动率跳跃的建模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：摘要围绕随机波动率、波动率的波动率、杠杆效应及跳跃强度的状态切换建模，直接对应金融波动率研究。
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
超越随机波动率及收益与波动率跳跃的建模
- 研究问题
- 除随机波动率与跳跃之外，哪些模型机制能解释收益分布偏度和峰度随时间变化，并反映期权隐含波动率微笑形状的变化？
- 方法与思路
- 作者在随机波动率模型中加入状态切换，允许波动率的波动率、杠杆效应和跳跃强度随机变化；先用收益与期权隐含波动率估计，再作诊断回归。
- 材料陈述的贡献
- 摘要称，模型评估工具较支持所提模型；未用于拟合的期权隐含偏度与峰度被留作诊断，相关回归显示模型对这些特征具有较强解释力。
- 阅读关注点
- 重点核对状态切换与跳跃的设定、滤波与估计方法、模型比较标准，以及隐含偏度和峰度诊断中的控制变量与风险中性解释。
- 阅读边界
- 摘要未给出模型选择统计量、样本外表现或诊断回归的具体结果；未使用偏度和峰度拟合，也不等于完成独立样本验证或证明模型普遍更优。
原文摘要
While a great deal of attention has been focused on stochastic volatility in stock returns, there is strong evidence suggesting that return distributions have time-varying skewness and kurtosis as well. Under the risk-neutral measure, for example, this can be observed from variation across time in the shape of Black–Scholes implied volatility smiles. This article investigates model characteristics that are consistent with variation in the shape of return distributions using a stochastic volatility model with a regime-switching feature to allow for random changes in the parameters governing volatility of volatility, leverage effect, and jump intensity. The analysis consists of two steps. First, the models are estimated using only information from observed returns and option-implied volatility. Standard model assessment tools indicate a strong preference in favor of the proposed models. Since the information from option-implied skewness and kurtosis is not used in fitting the models, it is available for diagnostic purposes. In the second step of the analysis, regressions of option-implied skewness and kurtosis on the filtered state variables (and some controls) suggest that the models have strong explanatory power for these characteristics.