Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Optimal stochastic volatility models

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F01%3A00064868" target="_blank" >RIV/49777513:23520/01:00064868 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Optimal stochastic volatility models

  • Popis výsledku v původním jazyce

    A new technique for nonlinear state and parameter estimation of the discrete time stochastic volatility models in the state space form is developed. The Gibbs sampler is used to construct a Markov-chain simulation tool that reflects both inherent model variability and parameter uncertainty. The Gibbs sampling algorithm is derived from the generalized data-augmentation method and the iterative Monte Carlo simulation procedures to calculating marginal state and parameters probability density functions. The design algorithm is based on a loop where samples from the correspondent data augmented probability density function are drawn. The proposed chain converges to equilibrium enabling to summarize the unobserved variance states and unknown model parameters distributions. The non-Gaussian density of the log of squared inovations is advantageously modelled as a mixture of Gaussians.

  • Název v anglickém jazyce

    Optimal stochastic volatility models

  • Popis výsledku anglicky

    A new technique for nonlinear state and parameter estimation of the discrete time stochastic volatility models in the state space form is developed. The Gibbs sampler is used to construct a Markov-chain simulation tool that reflects both inherent model variability and parameter uncertainty. The Gibbs sampling algorithm is derived from the generalized data-augmentation method and the iterative Monte Carlo simulation procedures to calculating marginal state and parameters probability density functions. The design algorithm is based on a loop where samples from the correspondent data augmented probability density function are drawn. The proposed chain converges to equilibrium enabling to summarize the unobserved variance states and unknown model parameters distributions. The non-Gaussian density of the log of squared inovations is advantageously modelled as a mixture of Gaussians.

Klasifikace

  • Druh

    V<sub>x</sub> - Nezařazeno - Výzkumná zpráva obsahující utajované informace (takový výsledek lze do RIV vložit pouze v případě, že zpráva obsahuje utajované informace a pole R12 = U), nebo souhrnná výzkumná zpráva

  • CEP obor

    BC - Teorie a systémy řízení

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA102%2F01%2F0021" target="_blank" >GA102/01/0021: Nelineární odhadování a detekce změn stochastických systémů</a><br>

  • Návaznosti

    Z - Vyzkumny zamer (s odkazem do CEZ)

Ostatní

  • Rok uplatnění

    2001

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Počet stran výsledku

    1

  • Místo vydání

    Plzeň

  • Název nakladatele resp. objednatele

    Západočeská univerzita

  • Verze