1) vector SV model
向量随机波动模型
1.
In this paper, from the idea of common trend, we put forward the definition of co persistence in volatility of vector SV model, and establish the equivalent relationship between common persistence in volatility and cointegration.
提出了向量随机波动模型波动协同持续 ( common persistence in volatility)的定义 ,证明了波动协同持续与协整 ( cointegration)两者之间的等价关系 ;同时 ,基于 Stock- Watson与Gonzalo- Granger因子分解 ,给出了协同持续因子 ( common persistent factor)的两种不同的表达形式 ,证明了两者间存在着协整关系 。
2) stochastic volatility model
随机波动模型
1.
Research on volatility persistence and co-persistence in stochastic volatility model;
随机波动模型的持续性和协同持续性研究
2.
Though two important stylized facts about return distribution are seen commonly in financial markets: skewness and fat-tail,most of the stochastic volatility models at present cannot describe those facts as a whole.
金融资产的收益分布普遍展现出两个重要的典型特征:"有偏"性和"胖尾"性,但目前绝大多数的随机波动模型都无法同时将上述两类典型特征综合纳入其估计的条件分布假定中。
3.
In this paper,A new markov chain monte carlo algorithm for estimating stochastic volatility model is given.
研究用马尔科夫链蒙特卡罗(MCMC)算法估计随机波动模型的参数问题。
3) stochastic volatility model
随机波动性模型
1.
Estimating volatility of Chinese stock market by stochastic volatility model;
基于随机波动性模型的中国股市波动性估计
2.
A stochastic volatility model based on two indices,i.
引入了基于日内价格幅度与回报两个测度指标的随机波动性模型。
4) stochastic volatility models
随机波动(SV)模型
1.
The Stochastic Volatility models (SV model) is a kind of time series model which can reflect fluctuation that can not be observed directly.
随机波动(SV)模型是一种重要的具有隐性波动的时间序列模型。
5) stochastic volatility models
随机波动模型
1.
Financial Stochastic Volatility Models and Applications: Based on State Space Models with Finite Mixture
基于有限混合状态空间的金融随机波动模型及应用研究
2.
In this paper,we extended the basic stochastic volatility models to a stochastic volatility models with ARMA(1,1) conditional heteroskedasticity and correlated errors.
我们首先提出了一个带ARMA(1,1)条件异方差相关的随机波动模型,它是基本的随机波动模型的一个自然的推广。
3.
This paper systematically summarizes most stochastic volatility models,including continuous-time stochastic volatility models and discrete-time stochastic volatility models.
系统总结了随机波动模型(简称SV类模型)的研究动态,包括连续时间SV模型与离散时间SV模型,并对离散时间模型的分类,以及与连续时间SV模型之间的关系进行了阐述,提出了SV模型今后的研究发展方向,为SV模型的进一步研究和实际应用提供参考和借鉴。
6) Stochastic Volatility Model
随机波动率模型
1.
Price-range and Return Based Stochastic Volatility Model——with an Application to Chinese Stock Market Volatility;
基于日内价格幅度与回报的随机波动率模型
2.
Stochastic Volatility Models Based Bayesian Method and Their Application;
基于贝叶斯原理的随机波动率模型分析及其应用
3.
This paper deals with the minimal entropy martingale measure and utility indifference pricing concerning a stochastic volatility model.
本文研究了随机波动率模型的最小熵鞅测度和效用无差别定价。
补充资料：向量机器模型
并行计算的一种理论模型，引进这种模型的主要目的是便于从理论上对各种问题并行计算的现实可能性和并行计算时所需的时间、空间等资源作定量的分析。
一个向量机器由 k个向量和一个程序所组成。每个向量可以存储一个左边无限的 0,1序列。这个序列除了有限多位以外全都相等。也就是说，左边是一串无限多个0或一串无限多个1，只有右边有限多位是有变化的。有变化部分的位数称为这一内容的长度。把这样一个二进序列解释为整数时，左边无限多个0被解释为正号,无限多个 1被解释成负号。其余有变化的部分按普通二进制表示理解。例如向量...1110101表示-5，...0001101表示+13。两者的长度都是4。
向量机器可以采用下列各条指令来编程序：① A←ɑ,把一个常向量α送入A；②A←～B,把B向量内容取反码（1变成0,0变成1）后送入A；③A←B∨C,B和C的相应位作逻辑加后送入A的相应位。④A←B↑C（或A←B↓C）,B的内容左移C位送入A。此处C的内容按整数意义理解。如果为负则表示右移，左移时右端补0,右移时移出的信息不再保留。A←B↓C表示右移。
除此之外，一个向量机器还可以判断某个向量的内容是否全0，以实现条件转移。
设W 是一个长度为 n-1的 0，1串,下面的向量机器（见图）把形为...0001W 的字转换成字。原始数据和答案都是放在A中。
向量机器每条指令的执行，都是一种并行的计算。因此，从开始运算到停机所执行的指令总条数可算作并行时间，各向量内容长度之和在运行过程中的最大值称为空间。串行时间的定义是执行各条指令的运算量的总和，而每条指令的运算量的定义为参加运算的向量的长度之和。
借助于这个模型可证明下面的并行计算论题：一个问题类如果能在T(n)的一个多项式的并行时间内计算出来，当且仅当它可以在T(n)的一个多项式的空间内被串行机器计算出来。
一个向量机器由 k个向量和一个程序所组成。每个向量可以存储一个左边无限的 0,1序列。这个序列除了有限多位以外全都相等。也就是说，左边是一串无限多个0或一串无限多个1，只有右边有限多位是有变化的。有变化部分的位数称为这一内容的长度。把这样一个二进序列解释为整数时，左边无限多个0被解释为正号,无限多个 1被解释成负号。其余有变化的部分按普通二进制表示理解。例如向量...1110101表示-5，...0001101表示+13。两者的长度都是4。
向量机器可以采用下列各条指令来编程序：① A←ɑ,把一个常向量α送入A；②A←～B,把B向量内容取反码（1变成0,0变成1）后送入A；③A←B∨C,B和C的相应位作逻辑加后送入A的相应位。④A←B↑C（或A←B↓C）,B的内容左移C位送入A。此处C的内容按整数意义理解。如果为负则表示右移，左移时右端补0,右移时移出的信息不再保留。A←B↓C表示右移。
除此之外，一个向量机器还可以判断某个向量的内容是否全0，以实现条件转移。
设W 是一个长度为 n-1的 0，1串,下面的向量机器（见图）把形为...0001W 的字转换成字。原始数据和答案都是放在A中。
向量机器每条指令的执行，都是一种并行的计算。因此，从开始运算到停机所执行的指令总条数可算作并行时间，各向量内容长度之和在运行过程中的最大值称为空间。串行时间的定义是执行各条指令的运算量的总和，而每条指令的运算量的定义为参加运算的向量的长度之和。
借助于这个模型可证明下面的并行计算论题：一个问题类如果能在T(n)的一个多项式的并行时间内计算出来，当且仅当它可以在T(n)的一个多项式的空间内被串行机器计算出来。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条