由βvv测量的δvt中的自激励动力学，远强于由βvp测量的前一次价格跳跃事件及其由βvp测量的阈值分量的反馈(-)vp，βvp和βvp的边缘后验密度(-)Vp高度集中，四舍五入的平均值接近于零。瞬时共跳概率，由基于MCMC的Pr估计测量(Nvt=1|Npt=1），为9.7%，而在价格上涨后的一段时间内，波动率将随之上升的可能性为10.7%。因此，虽然估计模型将观察到的价格上涨反馈的重要性贴现为波动率上涨强度，但它仍然足够灵活，能够捕捉价格和波动率同时上涨（且接近同时上涨）的现象，预计此类事件发生的概率接近20%。第4.3节通过比较边际可能性，对价格和方差跳跃的动态结构的重要性，以及跳跃的存在进行了进一步评估。有趣的是，与文献中报道的其他估计值相比，κ的值相当高，一种可能的解释是，潜在方差过程的持续程度部分由我们的规范5中方差跳跃强度的动态模型捕获。

与仓促波动性相关的其他参数的MPM，例如ρ、σv、θ和uv，与文献中报告的参数基本一致（例如，见Broadie等人，2007年Maneesoonthorn等人，2012年和Dait-Sahalia，Fan和Li，2013年），尽管幅度略有不同，可能是由于采样周期不同。图3的A板和B板分别显示了在估计期内的每个时间点计算的跳跃强度过程δp和δvt的MPMs和95%HPD间隔的时间序列图。从两个面板的比较中可以明显看出，价格和波动性的动态变化非常明显。价格跳跃聚类——与δpt的持续高值期相关——在整个样本期内间歇性发生，且没有任何明显的市场状况跟踪。价格跳跃强度的增加既相对短暂（与方差跳跃相比），又与观察到的跳跃幅度（图2，图A）较大或较小的时期有关。也就是说，价格上涨强度的增加似乎只与价格大幅上涨的时期相关。然而，研究发现，价格上涨的幅度与波动水平有关，参数γpB的MPM和95%HPD区间位于高度正区域。相比之下，在高波动期，方差跳跃倾向于聚集，与δVT5相关的边际后验均值和95%HPD间隔增加。表1中列出的替代模型的后验结果（记录在在线补充附录中）进一步支持了这一观察结果。

简言之，在对波动率跳跃（M3、M4、M8和M9）的动力学进行限制性假设的情况下，这些规范下的差异波动率比其他规范下更持久。在这些情况下，无条件差异的幅度也更大。21图3:1996年1月3日至2014年6月23日期间价格跳跃强度δpt（图A）和波动跳跃强度δvt（图B）的后验结果。蓝色实线代表边际后均值（MPM），而95%HPD间隔由红色虚线表示。与观察到的波动率指标BVt的上升相一致，如图1的B组所示。如图4所示，δVT的一些急剧上升要么与某些关键事件同步，要么在这些事件之后不久发生，图中绘制了2007-2014年期间δVT的MPM。特别是，雷曼兄弟（Lehman Brothers，2008年9月）的倒闭和随后美联储（Federal Reserve，2008年12月）的干预，紧随其后的是在整个抽样期间观察到的最大方差跳跃强度水平（MPM在2009年3月18日达到47%的峰值）。在最近的美国债务上限担忧和欧元区债务危机（从2009年底开始）的不同阶段，债务上限的MPM大幅上升也很明显，尽管其幅度小于全球金融危机期间观察到的上升。一旦经过多次方差跳跃的周期，δvt的值下降得相当缓慢，这种高水平的持续性与表2.64.3模型等级中αvrecorded的点和区间估计值一致。表3报告了11个模型中每一个的对数边际可能性，即m1到M11，以及完整模型MF的对数边际可能性，并在整个样本周期内进行了计算。

Bayes6模型M5到M7所暗示的波动率跳跃强度的动力学与本文所描述的没有什么不同，因为这三个模型都假设跳跃强度是由潜在波动过程驱动的。关键差异在于价格跳跃强度的动态，这三个模型（以及在线补充文件中的报告）显示的MPMs和δp的95%HPD区间表明价格跳跃强度大致恒定。这种模型隐含的特征显然与图2（面板a）中明显的价格跳跃指标的经验特征不一致。22图4：2007年1月3日至2014年6月23日（含）期间方差跳跃强度过程δvt的时间序列图，以及各种重要市场事件的发生时间，包括最近的全球金融危机，以及与美国债务上限和欧元区债务危机有关的事件。根据（38）计算与MFM相关的M11到M11的系数，即MFM的边际可能性与Mi的边际可能性之比，i=1，2。。。，11，并以对数形式记录。我们还报告了所有这些模型的排名（从1到12），基于它们的边际可能性值。7如前所述，仅当使用额外成分（基于两个跳跃测度）补充直接从RTA和BVT测度计算的边际概率时，M9到M11的边际概率才与其他模型的边际概率直接可比。这些增加的数据记录在表3的中间部分。

为完整起见，我们还在表格底部面板中记录了仅基于RTA和BVT测量的边际可能性，这些数据不允许与其余九个模型进行直接比较。从表3中记录的结果中得到的关键信息是，数据有力地支持了针对价格和波动性跳跃的建议鹰派规范。当与限制性稍强的替代品M1和M2相比时，全动态模型的对数边际可能性仅较低，这两种替代品分别假设价格与波动率之间没有阈值效应和反馈效应。这种对m1和m2的支持与以下事实相一致：大部分后部肿块与βvp和βvp相关(-)如表2中报告的MPM和95%HPD间期所示，全动态模型MF中的Vp接近于零。施加同期价格和差异跳跃（M3）的模型表现不佳，该模型总体排名第九，确实比完全不允许波动跳跃的模型（M4，排名第六）和跳跃强度恒定的模型（M8，排名第八）排名更低。如第3.2节所述，除了与所讨论的两个模型相关的完整MCMC算法外，还需要一系列辅助MCMC算法来计算任何给定的Bayesfactor。

所有辅助算法在10000次绘制的磨合期后产生10000次绘制。23在建模时避免霍克斯结构。动态强度（M5、M6和M7）排名在MFC及其两个最接近的受限版本M1和M2之下，而赫斯顿和RGARCH模型（M9、M10和M11）是所有模型中性能最差的模型。在后三种模型中，当与其他模型分开考虑时，对数ICRGARCH规范排名最高，但没有提供与任何适应跳跃的模型接近的样本数据解释。表3：对数边际概率和模型排名，使用1996年1月3日至2014年6月23日（含）的数据计算。模型ln（边际似然）ln BFiRankingMF-10024 0 3M1-9861-163 1M2-9957-67 2M3-12868 2844 9M4-10639 615 6M5-10686 662 7M6-10618 594 5M7-10076 52 4M8-10773 749 8带M9-27793 17769 10价格上涨M10-33486 23462措施M11-26830 16806 11不带M9-12521 N/A N/A不带A不带A不带A不带A不带A措施M11-11558 N/A不带A4。4预测性比较上一节中进行的练习记录了替代模型在整个样本期内的相对性能。在本节中，我们计算（41）中的“联合”CLS和第3.3节中讨论的三个边际CLS值，仅在最近一段时间内，使用训练样本初始化计算。

我们再次使用完整模型MFA作为参考模型，但这一次仅对与之最为不同的替代模型进行比较，即：M4，其中价格跳跃采用了霍克斯结构，但忽略了波动性跳跃；M5，其中强度采用线性（非霍克斯）动态结构；8M8，其中跳跃强度恒定；M9，在状态空间结构中完全没有跳跃建模；以及M10和M11，它们对方差采用条件确定性规定，也避免跳跃。数据集中的第一个T0=2500个观测值用于为每个模型8生成模型M6和M7的相对预测性能，其中VT的非线性函数用于跳跃强度，与M5非常相似。24考虑（41）和（42）中的初始预测分布（对于T0+1）。为了减少获得所有后续预测分布的计算负担，相关静态参数集合的后验分布仅在此后每250次观测中更新一次。对于状态空间模型，在2006年2月22日至2014年6月23日的2098个交易日（其中包括评估期）中，每一个交易日都会递归地绘制一步潜在向量Xt+1。为此，采用了一种基于静态参数提取的粒子滤波算法。根据建议，从相关的状态转变密度中对候选遗嘱颗粒进行取样，后者由第2.4节中的模型和表1中详述的限制条件规定。

调查中的四个模型的预测能力通过两种方式进行评估：通过联合和边际累积对数分数评估所有相关测量的概率预测的准确性；仅就收益率测量而言，最高预测（HPP）区间覆盖率和风险价值（VaR）预测的准确性而言。4.4.1累积日志分数评估图5中的面板A至D依次描述了与完整测量向量Yt相关的联合CLS分数，以及gt=rt、gt=ln BV和gt的边际[g]CLS分数=fMpt，Ipt0，如（43）所示。从A组可以明显看出，在评估期间，全动态模型MF主导了利用全套测量值M4、M5和M8的所有三个模型。整个过程中的正CLS分数与表3中记录的完整样本期的正对数贝叶斯因子一致。根据M9LN的预测结果，M9LN的预测结果将继续与M9LN的预测结果保持一致。与这两组结果形成一定对比的是，在B组和D组中，MFin预测收益和价格上涨的相对性能在整个评估期间都会发生变化，MFin有时会被某些替代规范所主导，尽管总体上仍然是最佳模型（如两个CLS分数的最终正值所示）。有趣的是，（在B组中）在预测收益方面，在所有状态空间模型中，MFC在高波动期表现最好——在2008年下半年的GFC深度和2011年的欧元区债务危机期间——所有四个CLS曲线在这些点上都有很强的正斜率。

显然，在这些动荡时期，MFC中包含的动态规格具有特别的预测能力（回报）。与条件确定性RGARCH规范M10和M11相比，全状态空间模型总体上优于线性规范M10，但相对于对数线性规范M11，性能较差。在预测单独与价格上涨相关的指标（PanelD）时，MFD的表现与M4和M5大致相当，两者都采用某种动态结构来预测价格上涨强度。然而，与M8相比，MF25模型具有恒定的跳跃强度，显然占主导地位。4.4.2风险价值预测和水电站覆盖率作为最后一项工作，我们评估了第4节中提到的五种备选模型的能力。4.1准确估计预测尾部分位数，并产生具有准确经验覆盖率的95%HPP区间。我们在这里只关注回报的预测分布，分位数估计与1%和5%VAR的预测一致。表4报告了所有五种竞争模型的VAR和HPP间隔相关的经验覆盖率统计数据。我们还报告了Christo Offersen（1998）测试的结果，包括正确无条件覆盖率和（预先规定的）间隔的独立性。产生的预测未能拒绝这两项测试的模型被认为足以预测VaR。结果表明，所有七个被评估的模型的经验覆盖率与评估期内95%水电站区间的名义覆盖率存在显著差异。这就是说，覆盖率都很合理（绝对意义上），MF1的表现与M11相当，经验覆盖率非常接近95%的水平，并且是唯一不拒绝独立违规无效假设的模型。

除了两种情况——M5的1%VaR预测和M10的5%VaR预测——之外，其他所有情况下，竞争模型都会产生独立超越的VaR预测，MFS是三种模型之一，其经验尾部覆盖率接近名义分位数概率。也许并不令人惊讶的是，（赫斯顿）模型M9表现出了最差的表现（HPP和尾部覆盖率的中间值），在该模型中，无价格或波动率跳跃成分是最显著的。总之，这些结果与上一节中报告的边际收益计算得出的排名一致。他们证实了在这种实证环境中同时考虑价格和方差跳变的重要性，并且强调了增加基本随机波动性结构的附加值，以及价格和波动性跳变的特殊动态结构，如霍克斯过程所示。26图5:2006年2月22日至2014年6月23日期间，与竞争车型相关的CLSiof MFM4（黑色实线）、M5（红色虚线）、M8（绿色虚线）、M9（蓝色粗虚线）、M10（紫色粗虚线）和M11（橙色虚线）。面板A-Ddepict依次为：Yt、rt、ln BVt的CLS分数，以及（43）中给出的联合价格上涨度量GT。评估期间的相关观测数据也以浅灰色点绘在每个面板B-D的背景中。27表4：第2列和第3列给出了经验尾部覆盖率，分别计算为低于5%和1%VaR预测的观察收益的比例。第4列给出了预测收益分布95%水电站区间的经验覆盖率。上标*和+表示统计上不同于名义水平的经验覆盖率，其超标率分别未通过5%显著水平的独立性测试。

所有统计数据均在2006年4月22日至2014年6月23日（含）的评估期内进行计算。经验尾部覆盖率经验覆盖率5%风险值1%风险值95%水电站间隔7。34%*2.86%*91.94%*M48。58%*3.91%*90.18%*+M58。06%*3.05%*+90.75%*+M87。96%*2.81%*91.09%*+M99。01%*4.62%*89.37%*+M104。62%+1.67%*96.38%*+M118。91%*4.36%*91.28%*5结论本文提出了一个非常灵活的随机波动率模型，其中价格和方差（因此，波动率）的动态变化通过两个跳跃强度的二元Hawkes过程进行调节。该模型允许价格跳变和差异跳变随着时间的推移聚集在一起，使两种类型的跳变同时发生，或以其他方式发生，并使价格跳变的发生影响后续差异跳变的可能性。构建了一个非线性状态空间模型，该模型使用S&P500市场指数的日收益率，以及波动性和价格跳跃的非参数度量，并使用混合吉布斯MH MCMC算法来估计模型，计算边际概率和各种预测量。正如文献中的标准，鉴于日内指数数据为分析提供了依据，我们得出的关于资产价格动态的结论仅与日内波动有关，包括夜间波动，可能需要对驱动其中动态的因素采用一组经过修改的假设。使用Bayes因子探索了大量替代模型，其中许多模型对一般状态空间规范施加了限制，总体结论有利于在价格和方差强度方面指定Hawkes动态的模型。

根据最一般的规定，估计在同一天或连续几天发生价格和波动性跳跃的概率接近20%，发现价格跳跃的大小与潜在波动性本身有关。对价格和方差跳跃的发生施加的动态结构也显示为指数回报预测（包括VaR预测）以及波动性和跳跃的非参数度量的预测增加了价值。一种特殊的28（条件确定性）替代方案——对数形式的RGARCH——在收益的CLS方面，在所有模型中表现最好，但在预测（对数）双功率变化方面，并不主导更复杂的状态空间规范，并且无法用于预测任何类型的跳跃。也许并不奇怪，我们的调查表明，价格跳跃强度与方差跳跃强度的时间序列行为存在质的不同。在整个样本期内，波动价格跳跃强度的集群相对较短且分散，而高方差跳跃强度的集群发生的频率较低，但发生时持续的时间较长。此外，方差跳跃强度的上升与负面市场事件密切相关，而价格跳跃强度没有相应的联系。因此，在指数收益建模中，量化了动态跳跃的重要性——以及尊重价格和波动性跳跃之间相互作用的特殊性质——之后，这些特征似乎应该在未来的风险管理策略中得到更仔细的关注。

重要的是，还需要进一步的工作来确定我们的定性结果对高频数据用于测量跳跃的发生和大小的方式的可靠性（见Dumitru和Urga，2012），以及在综合方差建模中观察到的四次性测量的使用（例如，见Dobrev和Szerszen，2010，以及Bollerslev，Patton和Quaedvlieg，2016）。作者目前正在沿着这些路线进行广泛的工作。附录A：对于参数κ和θ，假设之前的规格一致，从零开始截断，而参数σ2vis通过重新参数化被杠杆参数ρ阻塞：ψ=ρσ和ω=σ2v-ψ2; 见Jacquier，Polson andRossi（2004）。这种重新参数化很方便，因为给定V1:T，它允许ψ和ω分别作为正态线性回归模型中的斜率和误差方差系数进行预处理。然后，根据p（ψ|ω）给出的条件正态分布和反伽马分布形式的共轭先验规范，使用标准后验结果对ψ和ω进行直接采样~ N（ψ0=-0.005，σ20=ω/5.0）和p（ω）~IG（a=10，b=0.001），其中b表示此处讨论的inversegamma分布中的标度参数。选择ψ和ω的先验规格，使得ρ和σ变量的隐含先验分布相对不同，其范围与文献中报告的这些参数的经验值范围大致一致。对于参数u、γ、u和γp，规定了截断的统一先验。因此，在实线的负区域和正区域，这些参数的值的范围非常广泛，因此是预先规定的。

假设波动反馈参数γ从上到下是有界的，这与高频文献中最近发现的负波动反馈一致。（例如，见Bollerslev等人，2006年，以及Jensen和Maheu 2014年）。共轭逆伽马先验应用于参数σ2p和σ2BV，两个先验分布均以平均值0.5为中心，标准偏差（相对较大）为0.5。共轭β先验用于无条件跃迁强度δp0和δv0。选择这些先验的超参数，使先验平均值0.1与观测到的样本平均值相匹配Np1:T.反过来，δV0的先验分布与δp0的先验分布相等，这源于先前的信念，即如果价格出现跳跃(Npt=1），那么方差过程也可能包含ajump（即，Nvt=1）。对uv采用共轭逆伽马先验，这意味着先验平均值为0.007，先验标准偏差为0.002，其中先验平均值是最大值（RVt）平均值的一部分- BVt，0）。假设初始随机方差是退化的，V1=θ+uvδv0κ。跳跃强度参数αp，βpp，βvp，β(-)vp，α和βvv，符合第2.2节中列出的理论限制，以及之前认为βvp>0和β(-)vp>0。

表5记录了每个参数的先前平均值和标准偏差。表5：参数向量φ参数先验规范中每个元素的先验规范平均标准偏差uU(-10,10）05.77γU(-10, 0) -5.2.89ρρ，σv接头-0.34 0.33upU(-100，100，100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）100）0 0）0）0.5 5 0 0.5 5 0 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5πp p pβpβββpβpβ（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a（a）5）5）5）5）5）5）5）vρ，σv 0.012 0.003uvIG（a=20，b=1/7.2）7e-32e-3δp0β（a=1，b=9）0.10.03αpU（0，1）0.50.29βppU（0，1）0.50.29δv0β（a=1，b=9）0.10.03αvU（0，1）0.50.29βvvpu（0，1）0.50.29βvpU（0，1）0.50.29β(-)vpU（0，1）0.5 0.29附录B.1:MCMC MFC算法（34）中从关节后部采样的MCMC算法可分为七个主要步骤，如下所述：每次迭代的算法1:1。样本V1:V1:T | Zv1:T中任意长度的锡块，Nv1:T，Mp1:T，Np1:T，SZp1:T，Y1:T，φ使用MH取样，如下所述。样品Nv1：从一个街区到另一个街区Nv1:T | V1:T，Zv1:T，Mp1:T，Np1:T，SZp1:T，Y1:T，φ使用条件独立的伯努利结构303。样本Zv1:Tin来自Zv1:T | V1:T的单个块，Nv1:T，Mp1:T，Np1:T，SZp1:T，Y1:T，φ使用条件独立的截断正态结构4。样品Np1：从一个街区到另一个街区Np1:T | V1:T，Zv1:T，Nv1:T，Mp1:T，SZp1:T，Y1:T，φ使用条件独立的伯努利结构5。样本Mp1:T从Mp1:T | V1:T，Zv1:T，Nv1:T，Np1:T，SZp1:T，Y1:T，φ使用条件独立的正规结构6。样本SZp1:Tin来自SZp1:T | V1:T，Zv1:T的单个区块，Nv1:T，Mp1:T，Np1:T，Y1:T，φ使用条件独立的伯努利结构7。

下面描述的φ| X1:T，Y1:ta中的样本φ该算法最具挑战性的部分是步骤1，即方差过程V1:T的生成，因为vt的非线性函数在测量方程（22）和（25）以及状态方程（26）中具有特征。正如Maneesoonthorn等人（2012年）所述，我们对潜在波动率采用了多步算法，扩展了Stroud、M¨uller和Polson（2003年）提出的方法。在该算法中，非线性状态空间模型适用于期权和基于现货价格的测量，预测风险溢价是主要关注点。在当前上下文中，这涉及使用与潜在方差向量V1:Tand和两个观测向量r1:Tand ln BV1:T相对应的混合指示向量来扩充状态空间模型，混合指标确定了相关状态或观测方程的适当线性化，并用于建立线性高斯模型，以在MH子链中使用。V1：皮重的候选向量以块为单位进行采样和评估。在充分考虑不同模型结构和数据类型的情况下，Maneesoonthorn等人的附录A提供了有关本文所用算法的该部分细节的有效信息。必要时，在步骤7中使用MH子链对φ元素进行采样。考虑到V1:Tand Mp1:T的绘制，以及（22）-（32）中出现的所有未知数，参数u、γ、up、γp、ψ0和ψ1可以被视为回归系数，精确的绘制以标准方式从高斯条件后验分布中产生，由于之前指定的先验分布而适当截断。条件方差项σ2BV、σ2和σ2的抽样方案是标准的，带有反伽马条件后验项。

类似地，参数πp、α和β使用吉布斯方案进行采样，因为这三个参数都具有闭合形式的条件β后验概率。如附录A所述，参数ρ和σvare通过ψ=ρσ和ω=σ2v的条件间接采样- ψ2，分别采用正态和逆伽马分布形式。条件upv1:T的抽签，Nv1:Tand Zv1:T，参数κ、θ、ψ和ω分块绘制，利用了具有截断高斯误差的（条件）线性回归结构的优点，并具有约束σ2v≤ 2κθ。与价格和方差跳跃过程相关的静态参数处理如下。方差跳跃大小的平均值uv直接从逆格玛分布中取样，无条件跳跃强度δp0和δv0直接从β后验值中取样。每个参数，αp，βpp，αv，βvv，βvp，β(-)vp，在MH算法中使用适当的候选贝塔分布进行采样，受限条件确保（31）和（32）定义平稳过程，并且（13）和（14）定义在[0,1]区间。强度参数δp∞δv∞, 然后，使用（13）和（14）中的显式关系，以及基于（31）和（32）的向量δv1:Tandδp1:Tupdated进行确定性计算。第3.2节Mi，fori=1。。。，9.以类似的方式进行。31附录B.2:RGARCH模型的MCMC算法RGARCH模型M10和M11的关节后部满意度p（φ| Y1:T）∝ p（Y1 |φ）p（φ）TQt=2p（Yt | Y1:t）-1,φ),对于M10，Yt=（rt，BVt）0，对于M11，Yt=（rt，ln BVt）0。为了进行估计，我们采用方差目标法，并重新参数化ω=σ20（1）- β - γ） ，σ20表示收益的无条件方差。

对于这两个模型，参数向量的元素是相同的：φ=（σ20，β，γ，ξ，φ，τ1，τ2，σ2u）0。我们对σ20和σ2u施加非信息先验：反伽马先验IG（a=3，b=1）；β和γ采用单位区间上的统一优先级；ξ、ψ、τ1和τ2的先验值在-20和+20。由于模型中不涉及潜在变量，因此从关节后部采样的MCMC算法非常简单，只需要σ20、β和γ的步骤。附录C：边际似然计算（37）评估的基本思想是认识到它可以被重新表达为asp（Y1:T | Mi）=p（Y1:T |φi，Mi）p（φi | Mi）p（φi | Y1:T，Mi），（44）模型Mi后支撑中的任意点φiI，其中φide表示与模型Mi相关的静态参数向量。（44）右侧分子的第一个组成部分是潜在变量的可能性，以Mi为条件。也就是说，p（Y1:T |φi，Mi）=ZpY1:T | X（i）1:T，φi，MiPX（i）1:T |φi，MidX（i）1:T（45）（44）右侧的分母只是（静态）参数向量的条件后验密度，也被潜在变量p（φi | Y1:T，Mi）=Zp边缘化φi | Y1:T，X（i）1:T，MidX（i）1:T.（46）在高密度后点φ处对（45）的评估*i（即φi元素的边缘后验均值向量）是直接的，使用模型Mi的完整MCMCrun的输出；即p的闭式表示Y1:T | X（i）1:T，φi，Mi是潜态X（i）1:T的平均值，并在给定点φ处计算*i、 （46）的计算更加困难，尤其是当需要在φi的绘制中使用吉布斯算法和MH算法的组合时。

利用后验概率的结构，我们分解了p（φ）*i | Y1:T，Mi）转化为五种组分密度，如：p（φ*i | Y1:T，Mi）=p（φ*1i | Y1:T，Mi）p（φ*2i |φ*1i，Y1:T，Mi）·p（φ*5i |φ*1i，φ*2i。。。，φ*4i，Y1:T，Mi，（47）式中φ1i=σBV，uv，δp0，δv0，ρ，σv，up，α，β，πp，σMp, φ2i=（αp，αv，κ，γp，ψ0），φ3i=（βpp，βvv，θ，σp，ψ1），φ4i=（βvp，u）和φ5i=β(-)副总裁，γ. 按照Chib（1995）和Chib及Jeliazkov（2001）概述的方法，五条额外的辅助MCMC链，每一条链都有不同程度的调节，因此自由参数的数量减少，然后运行，以估计（47）的最后五个组分中的每一个，然后在φ处进行评估*ji，j=2。。。，5.（47）右侧的第一个组件不涉及此类条件，按照通常的方式，根据整个MCMC链的输出进行估算。RGARCH模型的边际似然度的计算也遵循类似的方法，尽管潜在变量不起作用，辅助链的选择32由这些模型的参数集的性质决定。边际似然公式10还包括一个雅可比系数，该系数解释了一个事实，即M10为原始度量BVt指定了一个模型，而所有其他的都是根据转换度量ln BVt指定的。最后，给出了M9、M10和M11模型的两种边际似然：一种只考虑模型中直接使用的测量值，YT=（rt，ln BVt）0；还有一个使用完整测量集Yt=rt、ln BVt、Ipt、fMpt0.第二种形式的边际可能性允许对本文考虑的所有模型进行比较。

由于M9、M10和M11中实际上都排除了价格上涨的可能性，因此我们采用以下规格：Ipt~ Bernoulli（α）表示价格上涨发生在rence和FMPT之间~ N-10，σ2Mp对于原木价格上涨幅度，附录A中给出了α和σ2Mpde的先验值。在（23）中嵌套的IPT规范与对于所有t，Npt=0。假定之前对MPT的预期是一个很大的负值，因为这反映了价格上涨幅度接近于零。与这些度量相关的边际似然分量很容易评估，其闭式表达式为p（Ipt|Mj）和pfMpt | Mjj=9、10和11的分析可用。参考文献[1]Ahoniemi，K.，Fuertes，A.和Olmo，J.（2015），“隔夜新闻和每日股票交易风险限额”，金融计量经济学杂志，14，1-27。[2] Ait-Sahalia，Y.，Cacho Diaz，J.和Laeven，R.J.A.（2015），“利用相互激励的跳跃过程对金融区域进行建模”，《金融经济学杂志》，117585-606。[3] Ait-Sahalia，Y.，Fan，J.和Li，Y.（2013），“杠杆效应之谜：在高频率下解开偏见的来源”，《金融经济学杂志》，109224-249。[4] Andersen，T.G.，Bollerslev，T.和Diebold，F.X.（2007），“粗糙化：在收益波动性的测量、建模和预测中包含跳跃成分”，《经济学和统计学评论》，89701-720。[5] Andersen，T.G.，Bollerslev，T.和Huang X.（2011），“基于已实现变化度量的投机价格波动建模简化框架”，经济计量学杂志，160176-189。[6] Bandi，F.M.和Reno，R.（2016），“价格和波动率共同跳升”，《金融经济学杂志》，119107-146。[7] 巴恩多夫-尼尔森，O.E.和谢泼德，N。

（2002），“已实现波动的计量经济学分析及其在估计随机波动模型中的应用”，《皇家统计学会杂志B》，64253-280。[8] ——（2004），“随机波动和跳跃的权力和双权力变化”，《金融计量经济学杂志》，第2期，第1-37页。[9] ————（2006），“使用双功率变化测试金融经济学跳跃的计量经济学”，《金融计量学杂志》，4，1-30.33[10]贝茨，D.S.（1996），“跳跃和随机波动：德国马克期权中隐含的汇率过程”，《金融研究评论》，9，69-107。[11] ——（2000），“标普500指数期货期权市场87年后的崩溃恐惧”，经济计量学杂志，94181-238。[12] Bollerslev，T.（1986），“广义自回归条件异方差”，《计量经济学杂志》，31307-327。[13] Bollerslev，T.，Gibson，M.和Zhou，H.（2011），“从期权隐含和实现的波动性动态估计波动性风险溢价和投资者风险规避”，计量经济学杂志，160235-245。[14] Bollerslev，T.，Kretschmer，U.，Pigorsch，C.和Tauchen，G.（2009），“标准普尔500指数日收益和已实现变化的离散时间模型：跳跃和杠杆效应”，经济计量学杂志，150151-166。[15] Bollerslev，T.，Litvinova，J.和Tauchen，G.（2006），“高频数据中的杠杆和波动反馈效应”，《金融计量经济学杂志》，4353-384。[16] Bollerslev，T.，Patton，A.和Quaedvlieg，R.（2016），“利用错误：改进波动率预测的简单方法”，计量经济学杂志，192，1-18。[17] Bollerslev，T.，Sizova，N.和Tauchen，G.（2012），“均衡中的波动性：不对称尝试和动态依赖，”金融评论，16,31-80。[18] 布罗迪，M.，切尔诺夫，M.和约翰，M。

（2007），“模型规格和风险溢价：来自期货期权的证据”，《金融杂志》，LXII，1453-1490。[19] Brownlees，C.T.和Gallo，G.M.（2006），“超高频金融经济计量分析：数据处理问题”，计算统计和数据分析，512232-2245。[20] Chib，S.（1995），“吉布斯输出的边际可能性”，美国统计协会杂志，901313-1321。[21]Chib，S.和Jeliazkov，I.（2001），“大都会黑斯廷苏特的边际可能性”，美国统计协会杂志，96270-281。[22]Christo Offersen，P.F.（1998），“评估区间预测”，国际经济评论，39841-862。[23]Creal，D.D.（2008），“Levy-drivenStochastic波动率模型的滤波和平滑算法分析”，计算统计和数据分析，522863-2876。[24]Dobrev，D.和Szerszen，P.（2010），“估计股票收益模型和预测风险的高频数据的信息含量”，工作论文，SSRN。[25]杜菲，D.，潘J.和辛格尔顿，K.（2000），“跳跃式差异的转换分析和资产定价”，计量经济学，681343-1376。[26]Dumitru，A.M.和Urga，G.（2012），“识别金融资产的跳跃：非参数跳跃测试之间的比较”，《商业与经济统计杂志》，30242-255.34[27]Engle，R.F.和Ng，V.K.（1993），“衡量和测试新闻对波动性的影响”，《金融杂志》，481749-1778。[28]Eraker，B.（2004），“股票价格和波动率会上升吗？来自现货和期权价格的调节证据”，《金融杂志》，LIX，1367-1403。[29]Eraker，B.，Johannes，M.和Polson，N.（2003），“波动性和收益跳跃的影响”，金融杂志，第三版，1269-1300页。[30]Fulop，A.，Li，J.和Yu，J。

（2014），“自激跳跃、学习和资产定价应用”，《金融研究评论》，28876-912。[31]Geweke，J.（1992），“评估基于抽样的后验矩计算方法的准确性”，《贝叶斯统计》，第4卷（编辑Bernardo，J.M.，Berger，J.O.，Dawid，A.P.和Smith，A.F.M.），英国牛津克拉伦登出版社。[32]Geweke，J.（2001），“贝叶斯计量经济学与预测”，《计量经济学杂志》，第100期，第11-15页。[33]Geweke，J.和Amisano，G.（2010），“比较和评估资产收益率的贝叶斯预测分布”，国际预测杂志，26216-230。[34]Hansen，P.R.，Huang，Z.and Shek，H.H.（2012），“已实现的GARCH：收益和已实现的波动性度量的联合模型”，应用计量经济学杂志，27877-906。[35]Hansen，P.R.和Lunde，A.（2005），“基于交互高频数据的全天已实现方差”，《金融计量经济学杂志》，3525–554。[36]Hawkes，A.G.（1971a），“一些自激和互激点过程的光谱”，Biometrika，58，83-90。[37]–（1971b），“一些相互激励的点过程的点谱”，皇家统计学会期刊：B系列（统计方法），33438-443。[38]Heidelberger，P.和Welch，P.D.（1983），“初始瞬态压力下的模拟运行长度控制”，运筹学，31109-1144。[39]Heston，S.L.（1993），“随机波动期权的封闭形式解及其在债券和货币期权中的应用”，《金融研究评论》，第6327-343页。[40]Huang，X.和Tauchen，G.（2005），“跳跃对总价格方差的相对贡献”，《金融计量经济学杂志》，3456-499。[41]杰科德·J.，吉隆坡·乌佩尔伯格·C.和穆勒·G。

（2012），“价格和波动性跳跃之间的函数关系及其对离散观测数据的影响”，《应用概率杂志》，49901-914。[42]Jacod，J.和Todorov，V.（2010），“价格和波动率一起跳吗？”应用概率年鉴，20125-1469。[43]Jacod，J.，Kl–uppelberg，C.和M–uller，G.（2013），“价格和波动率跳跃之间的非相关性测试”，论文草稿。[44]Jacquier，E.和Miller，S.（2010），“已实现波动率的信息含量”，工作文件，蒙特利尔大学HEC。35[45]Jacquier，E.，Polson，N.G.和Rossi，P.E.（2004），“具有厚尾和相关误差的随机波动率模型的贝叶斯分析”，计量经济学杂志，122185-212。[46]Jensen，M.J.和Maheu，J.M.（2014），“风险、回报和波动性反馈：阿巴斯非参数分析”，工作论文。SSRN。[47]Koopman，S.J.和Scharth，M.（2013），“每日实现测度存在时的随机波动性分析”，《金融计量经济学杂志》，11，76-115。[48]Liu，L.Y.，Patton，A.J.和Sheppard，K.（2015），“有什么东西能超过5分钟吗？多个资产类别的已实现指标比较”，《经济计量学杂志》，187293-311。[49]Maheu，J.M.和McCurdy，T.H.（2004），《个人股票收益的新闻到达、跳跃动力学和波动性成分》，金融杂志，LIX，755-793。[50]Malik，F.（2011），“估计好消息对股市波动的影响”，应用金融经济学，21545-554。[51]Maneesoonthorn，W.，Martin，G.M.，Forbes，C.S.和Grose，S.（2012），“波动率及其风险溢价的概率预测”，计量经济学杂志，171217-236。[52]Pan，J.（2002），“期权中隐含的跳跃风险溢价：来自综合时间序列研究的证据”，《金融经济学杂志》，63，3-50。[53]斯特劳德，J.R.，穆勒，P。

和Polson，N.G.（2003），“具有状态相关方差的非线性状态空间模型”，美国统计协会杂志，98377-386。[54]Takahashi，M.，Omori，Y.和Watanabe，T.（2009），“同时使用每日收益和实际波动率估计随机波动率模型”，计算统计和数据分析，532404-2426。[55]Tauchen G.和Zhou，H.（2011），“金融市场实现的跳跃和预测信用利差”，《计量经济学杂志》，160，102–118[56]Todorov，V.和Tauchen G.（2011），“波动性跳跃”，《商业与经济统计杂志》，29，356-371。[57]Yu，B.和Mykland，P.（1998），“通过CUSUM路径图观察马尔可夫采样器：一个简单的诊断想法”，统计与计算，8275-286.36使用高频测量推断价格和波动的自激跳跃。补充附录：M11至M11型号的结果*, Catherine S.Forbes+和Gael M.Martin2018年8月4日摘要在本补编中，我们提供了补充正文第4节中记录的其他后验结果。具体而言，我们报告了M11至M11模型静态参数的贝叶斯点和区间估计（见正文表1）。嵌套模型采用了表5（正文附录A）中所述的先验分布（如适用）。这些先验分布也适用于非嵌套模型M5到M7中的公共参数，这些模型中的跳跃强度参数的先验是非均匀的，并且符合模型隐含的非条件跳跃强度在0到1之间的理论限制。实现的GARCH规格M10到M11采用的先验分布与模型的平稳性条件一致。

所有11个模型均使用1996年1月3日至2014年6月23日（含）样本期内的标准普尔500指数数据进行估算。表A1至A11分别记录了边缘后验均值（MPMs）、95%的最高后验密度（HPD）区间，以及与相关MCMC图相关的效率因子。每个表还包含模型隐含的瞬时和时滞co跳跃统计信息。*O。Maneesoonthorn@mbs.edu.墨尔本大学墨尔本商学院。+凯瑟琳。Forbes@monash.edu.蒙纳士大学计量经济学和商业统计系通讯作者：盖尔。martin@monash.edu.