非线性AR-GARCH估值文献

资 源 简 介

非线性AR-GARCH估值文献

详 情 说 明

非线性AR-GARCH模型在金融时间序列分析中扮演着重要角色，尤其适用于描述资产收益率的波动性特征。与传统的线性GARCH模型相比，非线性AR-GARCH通过引入更复杂的函数形式（如阈值、平滑转换或神经网络结构），能够更好地捕捉市场中的非对称效应、极端事件依赖性和波动聚集现象。

相关文献通常聚焦于以下几方面： 模型扩展：在ARCH/GARCH框架中嵌入非线性自回归结构（如STAR-GARCH），以反映不同市场状态下的波动机制转换。 估值应用：利用非线性特性改进风险度量（如VaR、ES）或衍生品定价，尤其在黑天鹅事件频发的市场中表现更稳健。 估计方法：讨论贝叶斯估计、极大似然估计等技术的优化，以应对非线性带来的计算复杂度问题。

该领域经典文献包括Engle（1982）的基础GARCH论文，以及后续学者对非线性化的推进（如Teräsvirta的STAR模型）。近年来，结合机器学习的混合方法逐渐成为新趋势。