Riemann Manifold Langevin Methods on Stochastic Volatility Estimation
本文利用Metropolis调整Langevin（MALA）和Riemman流形Langevin（MMALA）方法对具有重尾分布的随机波动率模型进行贝叶斯估计。我们提供了这些方法的应用分析表达式，评估这些方法在模拟数据中的性能，并说明它们在两个金融时间序列数据集上的使用。
2015-07-17 stat.CO
Estimation of limiting conditional distributions for the heavy tailed long memory stochastic volatility process
我们考虑了具有重尾和长记忆的随机波动率过程。我们研究了未来事件的极限条件分布，假设当前或过去的事件是极端的（即在趋于无穷大的水平之上）。尽管随机波动率过程的极值是渐近独立的（在极值理论的意义上），但这些极限条件分布不同于独立同分布。案子我们引入了这些极限条件分布的估计，并研究了它们的渐近性质。如果波动率具有长记忆性，则中心估计量的收敛速度收敛速率和极限分布可以依赖于长记忆性参数（Hurst指数）。
2011-08-16 math.ST stat.TH
Modeling Univariate and Multivariate Stochastic Volatility in R with stochvol and factorstochvol
随机波动率模型是一种非线性状态空间模型，在异方差时间序列的拟合和预测中得到了广泛的应用。然而，由于大量的潜在量，它们的有效估计是不平凡的，并且允许容易地将SV模型拟合到数据的软件是罕见的。我们的目标是通过提出在两个R包中交付的四个SV模型的新实现来缓解这个问题。几个独特的功能包括和记录。与以前的版本不同，stochvol现在能够处理线性均值模型，重尾SV和SV。此外，我们新引入factorstochvol迎合多元SV。这两个包都通过传统的R泛型和一系列定制的方法提供了用户友好的界面。计算效率是通过将R接口到C++并在后者中完成繁重的工作来实现的。在本文中，我们详细讨论了贝叶斯SV估计，并通过各种示例展示了新软件的使用。
2021-02-06 econ.EM q-fin.CP q-fin.ST
Non-standard inference for augmented double autoregressive models with null volatility coefficients
本文考虑了一个增广双自回归模型，该模型允许波动系数为零，以避免DAR模型中的过参数化问题。由于波动率系数可能在边界上，基于高斯拟极大似然估计（GQMLE）的统计推断方法变得不标准，其渐近性要求数据具有有限的六阶矩，这就缩小了研究重尾数据的适用范围。为了克服这一缺陷，本文提出了一个系统的统计推断过程的基础上的自加权GQMLE的增强DAR模型。除Lagrange乘子检验统计量外，Wald检验统计量、拟似然比检验统计量和Portmanteau检验统计量均具有非标准渐近性。整个过程是有效的，只要数据是平稳的，它的有用性说明了模拟研究和一个真实的例子。
2019-05-06 econ.EM stat.ME
Limit theorems for long memory stochastic volatility models with infinite variance: Partial Sums and Sample Covariances
长记忆随机波动率（LMSV）模型捕捉了金融数据的两个标准化特征：对数收益率是不相关的，但它们的平方或绝对值是（高度）相关的，并且它们可能具有厚尾。引入了EGESTAR和相关模型来模拟杠杆，即以前的回报与未来波动之间的负相关性。部分和、样本方差和样本协方差的极限定理是研究长记忆和重尾现象及其后果的基本工具。本文推广了已有文献中关于无穷方差情形下长记忆随机波动率模型部分和与样本协方差的渐近性态。我们还考虑了具有杠杆的模型，我们的结果在无限方差的情况下是全新的。根据尾部行为和依赖强度之间的相互作用，可以出现两种类型的收敛速率和极限分布。特别是，我们表明，部分和的渐近行为是相同的LMSV和杠杆模型，而有一个至关重要的区别时，样本协方差被认为是。
2012-03-22 math.ST stat.TH
Testing for Change in Stochastic Volatility with Long Range Dependence
研究了长记忆随机波动率模型的变点问题。本文讨论了一个包含多种备择假设的一般检验问题。在平稳性假设下，导出了双曲型和Wilcoxon型检验统计量的极限性质。在此背景下，证明了长记忆随机波动率时间序列的双参数经验过程的一个极限定理。特别是，它示出的渐近分布的EQUUM检验统计量可能不受长记忆，不像Wilcoxon检验统计量，这是典型的长范围依赖性的影响。为了避免实际应用中对冗余参数的估计，提出了自归一化检验统计量的使用方法。理论结果是伴随着模拟研究，其特征的有限样本的行为时，考虑的测试程序测试的变化，平均值，方差，和尾部指数。
2017-06-20 math.ST stat.TH
Adaptive Robust Large Volatility Matrix Estimation Based on High-Frequency Financial Data
针对高频金融数据中异质性重尾分布问题，本文提出自适应稳健预平均已实现波动率（ARP）估计量，证明其最优性并结合POET方法实现大规模积分波动率矩阵估计。
2023-08-14 math.ST stat.ME stat.TH
Moment based estimation of supOU processes and a related stochastic volatility model
在快速回顾了叠加的随机过程、集成的随机过程和随机波动率模型之后，我们使用广义矩量法（GMM）来估计这些过程。我们表明，GMM方法产生一致的估计，它在实践中工作得很好。此外，我们还讨论了长记忆效应的影响。
2015-01-23 math.PR math.ST stat.TH
A Harris process to model stochastic volatility
我们提出了一个易于处理的非独立的增量过程，提供了一个高的建模灵活性。这个过程依赖于所谓的哈里斯链的扩展，以连续时间是静止的和费勒。我们展示的过程中的建设，性能和推理方法。然后，我们使用该过程提出了一个随机波动率模型，该模型具有任意但固定的不变分布，可以根据不同的应用场景进行定制。我们通过模拟研究模型的性能，同时说明其在实践中的使用与实证工作。该模型被证明是一个有趣的竞争对手，一些短期随机波动率模型。
2016-05-17 math.ST stat.AP stat.TH
Estimating the finite-time ruin probability of a surplus with a long memory via Malliavin calculus
考虑一类漂移分数布朗运动的盈余过程，其Hurst指标为$H>1/2$，它是索赔相关的漂移复合Poisson风险模型的函数极限，是长记忆盈余的一种表示.我们的兴趣是构造当波动率参数未知时盈余的破产概率的置信区间。我们将得到破产概率w.r.t.通过Malliavin演算的波动率参数，并应用delta方法来确定估计的破产概率的渐近分布。
2022-06-19 math.PR math.ST stat.TH
New robust inference for predictive regressions
提出两种适用于离散和连续时间预测回归模型的稳健检验方法，利用 Cauchy 估计器处理内生性、持久性和厚尾性，分别采用组估计量 t 统计推断与波动性非参数校正控制异质波动性，在有限样本下表现优于常用替代方法。
2023-03-23 econ.EM math.ST stat.TH
Sequential Monte Carlo for fractional Stochastic Volatility Models
本文考虑了一个分数阶随机波动率模型，即波动率具有长程依赖或粗糙/反持续行为的模型。我们提出了一个动态的序贯蒙特卡罗方法，是适用于长记忆和反持续过程，以估计波动率以及未知参数的模型。我们建立了状态和参数滤波器的中心极限定理，并研究了滤波器的渐近性质（一致性和渐近正态性）。我们说明了我们的结果与模拟研究，我们应用我们的方法来估计波动率和参数的长期依赖模型的标准普尔500指数的数据。
2017-02-25 math.ST stat.CO stat.ME
Inference on the intraday spot volatility from high-frequency order prices with irregular microstructure noise
针对高频限价订单价格的单侧微观结构噪声，提出基于局部顺序统计量的即期波动率估计量，推导其渐近性质并开发偏差校正算法，蒙特卡洛模拟验证了其有限样本性能。
2023-11-01 math.PR math.ST stat.TH
A GMM approach to estimate the roughness of stochastic volatility
本文提出了一种基于GMM的随机波动粗糙度估计方法，通过控制测量误差影响，展示了在高频数据中估计Hurst指数的稳健性。
2026-01-15 math.ST q-fin.ST stat.TH
High-dimensional Index Volatility Models via Stein's Identity
University of Chicago（芝加哥大学）
研究了单指数和多指数波动模型中参数分量的估计问题。使用一阶和二阶Stein的身份，我们开发的方法，适用于估计的方差指数在高维设置需要有限的时刻条件，这使得重尾数据。我们的方法补充了现有的文献中的低维设置，同时放宽了估计的条件，并提供了一种新的方法在高维设置。我们证明了我们的方差指数估计的统计收敛速率由一个参数率和一个非参数率，后者出现从估计的平均链接函数。然而，在标准的假设下，参数率主导的收敛速率和我们的结果匹配的最小最大的平均指数估计的最优速率。仿真结果说明了我们的方法和支持我们的理论结论的有限样本特性。
2020-05-25 cs.LG math.ST stat.ML
