Bayesian estimation of long-run risk models using sequential Monte Carlo
利用序贯蒙特卡洛进行长期风险模型的贝叶斯估计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：摘要以长期风险模型解释资产收益，并建模消费增长及其条件方差的自回归动态。
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…
利用序贯蒙特卡洛进行长期风险模型的贝叶斯估计
- 研究问题
- 如何估计消费增长条件方差具有不同动态设定的长期风险模型，并比较先验与模型求解方法对估计的影响？
- 方法与思路
- 作者提出基于似然的贝叶斯方法，使用序贯蒙特卡洛估计 AR 与 ARG 方差模型，并应用于美国战后季度数据。
- 材料陈述的贡献
- 摘要报告偏好参数先验、增长与波动持续性及求解方法的重要性，并指出统计表现与收益拟合的比较结论不同。
- 阅读关注点
- 应核对似然与状态空间设定、先验敏感性、序贯蒙特卡洛实现，以及统计表现和资产收益拟合各自的评价标准。
- 阅读边界
- 仅依据所给出版社摘要；样本细节、后验不确定性及比较幅度未说明，不能把所述模型差异推广至其他情境。
原文摘要
We propose a likelihood-based Bayesian method that exploits up-to-date sequential Monte Carlo methods to efficiently estimate long-run risk models in which the conditional variance of consumption growth follows either an autoregressive (AR) process or an autoregressive gamma (ARG) process. We use the U.S. quarterly consumption and asset returns data from the postwar period to implement estimation. Our findings are: (1) informative priors on the preference parameters can help to improve model performance; (2) expected consumption growth has a very persistent component, whereas consumption volatility is less persistent; (3) while the ARG-based model performs better than the AR-based one statistically, the latter could fit asset returns better; and (4) the solution method matters more for estimation in the AR-based model than in the ARG-based model.