Large Bayesian Tensor VARs with Stochastic Volatility
本文提出基于低秩CP分解参数化系数张量并引入随机波动率的贝叶斯张量向量自回归模型族，实验证明其在40个美国季度变量预测中优于带Minnesota先验的标准贝叶斯VAR。
2024-09-24 econ.EM
Multivariate Stochastic Volatility Model with Realized Volatilities and Pairwise Realized Correlations
虽然随机波动率和广义自回归条件异方差模型已经成功地描述了单变量资产收益率的波动动力学，但由于几个主要问题，将它们扩展到具有动态相关性的多变量模型一直很困难。首先，如果可用数据仅为每日收益，则有太多的参数需要估计，这会导致不稳定的估计。这个问题的一个解决方案是纳入基于日内资产收益率的额外观测，例如已实现协方差。其次，由于多变量资产收益不是同步交易的，我们必须使用最大的时间间隔，以便观察所有资产收益，以计算已实现的协方差矩阵。然而，在这项研究中，我们未能充分利用可用的日内信息时，有较少的频繁交易的资产。第三，保证估计的（和实现的）协方差矩阵是正定的并不简单。我们的贡献如下：（1）利用已实现测度得到了动态相关模型的稳定参数估计，（2）利用成对已实现相关性充分利用了日内信息，（3）保证了协方差阵的正定性，（4）避免了资产收益排序的任意性，（5）我们提出了灵活的相关结构模型（例如，如必要时将某些相关性设置为零）;（6）提出了杠杆效应的简约规范。我们提出的模型被应用到9个美国股票的日收益率与其实现的波动率和成对实现的相关性，并显示出优于现有模型的投资组合表现。
2019-03-13 econ.EM stat.CO
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
Large Bayesian VARs with Factor Stochastic Volatility: Identification, Order Invariance and Structural Analysis
具有多元随机波动率的向量自回归（VAR）被广泛用于结构分析。通常，结构模型是通过经济上有意义的限制来确定的，例如，符号限制，应该与因变量的排序无关。但由于简化形式的模型不是阶不变的，结构分析的结果取决于变量的阶数。我们考虑一个VAR的基础上的因素随机波动率，构造为顺序不变的。我们表明，存在的多元随机波动允许统计识别的模型。我们进一步证明了，与一组适当的符号限制，相应的结构模型是点识别。所提出的方法的另一个吸引力是，它可以很容易地处理大量的因变量以及符号限制。我们通过一个结构性分析来证明这种方法，在这个分析中，我们使用一个带有符号限制的20个变量的VAR来识别5个结构性冲击。
2022-07-08 econ.EM stat.ME
Deep Learning Enhanced Multivariate GARCH
Discipline of Business Analytics, The University of Sydney Business School（商业分析系，悉尼大学商学院）
本文提出LSTM-BEKK框架，将长短期记忆网络与BEKK模型结合，以更好地捕捉金融收益的非线性、动态和高维依赖结构，并在多个股票市场的样本外投资组合风险预测中取得优于传统方法的性能，同时保留BEKK的可解释性。
2025-06-03 cs.AI econ.EM q-fin.CP
Large Order-Invariant Bayesian VARs with Stochastic Volatility
由于对误差协方差矩阵使用了Cholesky分解，许多流行的具有多变量随机波动率的向量自回归（VAR）的规范对变量的排序方式并不不变。我们表明，现有方法中的顺序不变性问题可能会变得更加严重，在大型VAR。我们建议使用的规范，避免使用这种Cholesky分解。我们表明，多元随机波动的存在允许识别所提出的模型，并证明它是不变的顺序。我们开发了一个马尔可夫链蒙特卡罗算法，它允许贝叶斯估计和预测。在涉及人工和真实宏观经济数据的练习中，我们证明了变量排序的选择对实证结果有不可忽视的影响。在一个宏观经济预测练习涉及VAR与20个变量，我们发现，我们的顺序不变的方法导致最好的预测和变量排序的一些选择可能会导致使用传统的，非顺序不变的方法预测不佳。
2021-11-14 econ.EM stat.ME
Network Realized GARCH--Itô Models: Volatility Spillovers with High-Frequency Identification
Shanghai University of Finance and Economics（上海财经大学）
提出网络实现GARCH-Itô模型，利用高频日内收益识别多资产波动率传导网络，正则化选择结构，实证发现能源为净发送者且总体连通性稳定。
2026-09-25 econ.EM
The realized copula of volatility
Aarhus University（奥胡斯大学）；Danish Finance Institute (DFI)（丹麦金融研究所）；University of Macau（澳门大学）；Keio University（庆应义塾大学）
本文提出波动性实现协同作为衡量连续时间多资产价格过程二阶矩中依赖性的新指标，通过高频率资产回报构建局部波动性估计，非参数估计隐含随机波动的实证协同。研究显示估计器在填充渐近理论下一致，开发了适合检验波动性边际协同形状的检验方法，并在模拟中证明其在中等高频数据下的有效性。
2026-04-21 econ.EM
Multivariate Affine GARCH with Heavy Tails: A Unified Framework for Portfolio Optimization and Option Valuation
本文提出带正态逆高斯新息的多元仿射GARCH模型，推广Heston-Nandi框架至多元场景，可同时支持投资组合优化、财富模拟与期权定价，实证表明忽略时变相关性和尾部风险会带来显著效用损失。
2025-05-18 econ.EM q-fin.GN
The Fourier-Malliavin Volatility (FMVol) MATLAB library
本文介绍了MATLAB环境下的FMVol估计库，该库实现了完全非参数的傅里叶-马利亚万方法，可估计连续随机波动率过程的波动率、协波动率及相关二阶量，对噪声、不规则/异步采样鲁棒，适用于金融等多领域。
2024-01-31 econ.EM stat.CO
Analyzing Commodity Futures Using Factor State-Space Models with Wishart Stochastic Volatility
本文提出了一种考虑随机波动率的因子状态空间方法来建模和预测商品期货合约的期限结构。我们的方法建立在动态3因子Nelson-Siegel模型及其4因子Svensson扩展的基础上，并假设潜在水平，斜率和曲率因子为高斯向量自回归，具有多变量Wishart随机波动过程。利用Wishart分布和高斯分布的共轭性，我们提出了一种计算速度快且易于实现的MCMC算法用于贝叶斯后验分析。一个经验应用到每日价格的原油合同规定的交货日期范围从1到24个月的未来表明，估计的4因素Svensson模型与两个曲率因子提供了一个很好的简约表示的序列相关性的个人价格和他们的波动性。结果表明，该模型具有良好的样本外预测性能。
2019-08-21 econ.EM stat.CO stat.ME
A Design Concept of Forecasting Software for Normalized Vector Autoregressions with Fat Tails and Stochastic Volatility
School of Economics and Trade, Guangdong University of Foreign Studies（广东外语外贸大学经济贸易学院）；Department of Economics, University of Melbourne（墨尔本大学经济学系）
该研究设计了一套R软件包，结合C++效率与R便利性，实现多种高级计量模型，用于宏观经济预测，可提升预测表现，助力相关原创研究。
2026-08-31 econ.EM stat.CO
Low Volatility Stock Portfolio Through High Dimensional Bayesian Cointegration
本研究提出一种高维贝叶斯协整建模框架，可从大量股票中识别稀疏重要的协整关系以构建低波动率投资组合，该组合在样本外表现稳定，可作为有效的风险管理工具。
2024-07-14 econ.EM q-fin.PM q-fin.ST
Sparse Bayesian vector autoregressions in huge dimensions
我们建立了一个具有多维随机波动率的贝叶斯向量自回归（VAR）模型，该模型能够处理大量的多维信息集。引入三个功能，以允许可靠的估计模型。首先，我们假设VAR中的简化形式误差具有因子随机波动率结构，允许有条件的逐方程估计。其次，我们应用最近开发的全局-局部收缩先验的VAR系数治愈灾难的维度。第三，我们利用最近的创新，有效地从高维多变量高斯分布采样。这使得基于模拟的完全贝叶斯推断可行的维数是大的，但时间序列长度是中等。我们展示了我们的方法在广泛的模拟研究的优点，并将该模型应用于美国的宏观经济数据，以评估其预测能力。
2019-12-04 econ.EM stat.AP stat.CO
