.png){kind=icon}
返回
Learning volatility structures in emerging markets: a data-driven network approach using stochastic volatility models
.png){kind=icon}
PRE
AI
DOI：10.1007/s41060-025-00908-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究利用因子调整网络（FNETS）探究巴西股票市场的波动性相互依赖关系，该网络整合了因子模型与稀疏网络估计，以区分共同市场效应与企业特定波动性关联。网络构建基于通过贝叶斯推断和积分嵌套拉普拉斯近似（INLA）估计的潜在波动性，INLA为高维模型提供准确且计算高效的后验近似。聚焦于Bovespa理论投资组合内的企业，结果显示：高投资组合权重的核心股票呈现强系统性关联，而边缘企业则显示较弱连接。在方法论上，FNETS捕捉了格兰杰因果、同期和长期依赖关系，而SV模型在波动性预测方面优于传统的OHLC/HL和GARCH(1,1)指标，产生更低的预测误差。这些发现有助于提升系统性风险监测，并为新兴市场的政策制定者和投资者提供实践见解。
Keyword:
Volatility spillovers
Factor-adjusted networks
Stochastic volatility
Systemic risk
Brazilian equity market
期刊
I
IF:
2.8
论文数:
1.1K
被引数:
1.3K
机构
引用论文
Estimating stochastic volatility models using integrated nested Laplace approximations使用积分嵌套拉普拉斯近似估计随机波动率模型
PREAI
分享收藏“Exact” and Approximate Methods for Bayesian Inference: Stochastic Volatility Case Study“精确”和近似方法用于贝叶斯推断：随机波动率案例研究.png)
Entropy
EntropyIF0
PREAI
分享收藏Multivariate Risk Analysis in Cryptocurrency Market: An Optimal Transport Approach加密货币市场中的多变量风险分析：一种最优传输方法
PREAI
分享收藏Do extreme range estimators improve realized volatility forecasts? Evidence from G7 Stock Markets
OAAI
OAAI分享收藏Bayesian Estimation and Prediction of Stochastic Volatility Models via INLA通过INLA进行随机波动率模型的贝叶斯估计与预测
PREAI
分享收藏
查看更多内容