Bayesian semiparametric stochastic volatility modeling
贝叶斯半参数随机波动率建模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：摘要以随机波动率建模及收益创新分布的贝叶斯处理为核心。
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
贝叶斯半参数随机波动率建模
- 研究问题
- 在保留参数化波动率动态的同时，如何放宽收益创新的分布设定，并同时刻画参数与分布层面的不确定性？
- 方法与思路
- 作者以非参数贝叶斯方法灵活描述收益创新的偏度和峰度，保留参数化波动动态，并用 MCMC 估计及模拟后验预测分布。
- 材料陈述的贡献
- 摘要称，该半参数框架完整刻画参数与分布不确定性，讨论后验预测模拟的理论和计算问题，并提供与标准模型的实证比较。
- 阅读关注点
- 应核对非参数分布的先验设定、波动率动态与创新分布的区分，以及 MCMC 收敛和后验预测比较采用的指标。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，先验细节和实证比较结果均未说明；不能据此断言该模型优于标准参数化随机波动率模型。
原文摘要
This paper extends the existing fully parametric Bayesian literature on stochastic volatility to allow for more general return distributions. Instead of specifying a particular distribution for the return innovation, nonparametric Bayesian methods are used to flexibly model the skewness and kurtosis of the distribution while the dynamics of volatility continue to be modeled with a parametric structure. Our semiparametric Bayesian approach provides a full characterization of parametric and distributional uncertainty. A Markov chain Monte Carlo sampling approach to estimation is presented with theoretical and computational issues for simulation from the posterior predictive distributions. An empirical example compares the new model to standard parametric stochastic volatility models.