Nonlinear State-Space Models With State-Dependent Variances
具有状态依赖方差的非线性状态空间模型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：摘要明确研究金融时间序列的非线性状态空间平滑，并以随机波动率模型作为主要应用。
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…
具有状态依赖方差的非线性状态空间模型
- 研究问题
- 对于方差随潜在状态变化的非线性状态空间模型，如何进行状态平滑，并应用于随机波动率及短期利率建模？
- 方法与思路
- 作者采用带状态依赖权重的辅助混合模型进行模拟平滑，给定潜在指标后转化为正态动态线性模型，并分块更新全部状态。
- 材料陈述的贡献
- 摘要称提出适用于该类模型的状态平滑方法，展示对数随机波动率模型的构造与比较，并应用于香港短期利率的含跳跃模型。
- 阅读关注点
- 应核对辅助混合表示的精度、状态依赖权重和分块抽样步骤，以及与既有方法比较时的计算成本与抽样表现。
- 阅读边界
- 所给为版本未注明的 OpenAlex 摘要；未说明近似误差、抽样收敛或比较结果，不能据此确认算法在所有状态空间模型中更高效。
原文摘要
Nonlinear state-space models with state-dependent variances (SDVs) are commonly used in financial time series. Important examples include stochastic volatility (SV) and affine term structure models. We propose a methodology for state smoothing in this class of models. Our smoothing technique is simulation based and uses an auxiliary mixture model. Key features of the auxiliary mixture model are the use of state-dependent weights and efficient block sampling algorithms to jointly update all unobserved states given latent mixture indicators. Conditional on latent indicator variables, the auxiliary mixture model reduces to a normal dynamic linear model. We illustrate our methodology with two time series applications. First, we show how to construct the auxiliary model for a logarithmic SV model and compare the performance of our methodology with the current literature. Next, we implement a square-root SV model with jumps for short-term interest rates in Hong Kong.