摘要翻译：
将混合蒙特卡罗(HMC)算法应用于随机波动率(SV)模型的贝叶斯推理。我们用HMC算法对SV模型的波动变量进行马尔可夫链蒙特卡罗更新。首先，利用人工金融数据计算SV模型的参数，并将HMC算法与Metropolis算法的结果进行比较。我们发现HMC算法比Metropolis算法更快地解相关波动变量。其次，利用HMC算法对日经225股票指数的时间序列进行了实证研究。我们发现样本数据的相关行为与人工金融数据的相关行为相似，并得到了一个接近于1($phi\0约0.977$)的值，这意味着该时间序列具有很强的波动冲击持续性。
---
英文标题：
《Bayesian Inference of Stochastic Volatility Model by Hybrid Monte Carlo》
---
作者：
Tetsuya Takaishi
---
最新提交年份：
2009
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Computational Finance        计算金融学
分类描述：Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法，包括蒙特卡罗，偏微分方程，格子和其他数值方法，并应用于金融建模
--
一级分类：Physics        物理学
二级分类：Computational Physics        计算物理学
分类描述：All aspects of computational science applied to physics.
应用于物理学的计算科学的各个方面。
--
一级分类：Physics        物理学
二级分类：Data Analysis, Statistics and Probability        数据分析、统计与概率
分类描述：Methods, software and hardware for physics data analysis: data processing and storage; measurement methodology; statistical and mathematical aspects such as parametrization and uncertainties.
物理数据分析的方法、软硬件：数据处理与存储；测量方法；统计和数学方面，如参数化和不确定性。
--

---
英文摘要：
  The hybrid Monte Carlo (HMC) algorithm is applied for the Bayesian inference of the stochastic volatility (SV) model. We use the HMC algorithm for the Markov chain Monte Carlo updates of volatility variables of the SV model. First we compute parameters of the SV model by using the artificial financial data and compare the results from the HMC algorithm with those from the Metropolis algorithm. We find that the HMC algorithm decorrelates the volatility variables faster than the Metropolis algorithm. Second we make an empirical study for the time series of the Nikkei 225 stock index by the HMC algorithm. We find the similar correlation behavior for the sampled data to the results from the artificial financial data and obtain a $\phi$ value close to one ($\phi \approx 0.977$), which means that the time series has the strong persistency of the volatility shock.
---
PDF链接：
https://arxiv.org/pdf/1001.0024