约翰内斯和N·G·波尔森。回报率和波动性的跳跃影响。《金融杂志》，53:1269-1300，2003年。[18] W.费勒。两个奇异的扩散问题。《数学年鉴》，54（2）：286-2951951年。[19] K.R.S.福克·让·皮埃尔，乔治·帕帕尼科劳。均值回复随机波动率。剑桥大学出版社，2000年。[20] P·R·汉森和A·伦德。波动率模型的预测比较：有什么东西能打败garch（1,1）吗？《应用计量经济学杂志》，20（7）：873–889，2005年。[21]S.L.赫斯顿。具有随机波动性的期权的封闭形式解，应用于债券和货币期权。《金融研究评论》，6（2）：327–3431993。[22]J.赫尔和A.怀特。随机波动资产的期权定价。《金融杂志》，42:281-3001987。[23]S.Hurn、K.Lindsay和A.McClelland。利用期权价格数据估计随机波动模型的参数。NCER工作文件Seris，87（10月）：2012年10月35日。[24]H.约翰逊和D.香诺。方差变化时的期权定价。《金融和定量分析杂志》，22:143–151，1987年。[25]T.H.M.Karlin S.随机过程的第二门课程。学术出版社，1981年。[26]A.克拉斯科夫、H.斯托格鲍尔和P.格拉斯伯格。估计相互信息。菲斯。牧师。E、 （69），2004年。[27]B.勒巴隆。随机电压作为表观金融功率定律和长记忆的简单发生器。《定量金融》，6（1）：627-6312001。[28]A.W.罗。股票市场价格的长期记忆。《计量经济学》，59（5）：1279-13131991。[29]V.卢西奇。通过偏微分方程方法计算混合模型中密度的边界条件。《概率与随机过程国际期刊》，84（1951）：705–7182012。[30]D·J·C·麦凯。信息理论、推理和学习算法。剑桥大学出版社，2003年。

可获得的fromhttp://www.inference.phy.cam.ac.uk/mackay/itila/.[31]J.马斯奥利弗和J.佩雷洛。多时间尺度和指数型Ornstein-Uhlenbeck随机波动率模型。《定量金融》，2005年6月24日。[32]J.F.穆齐、J.德洛尔和E.巴克里。金融时间序列的建模过程：从级联过程到随机波动模型。欧元。菲斯。J.B，17:537–54820000。[33]D.B.纳尔逊和D.P.福斯特。单变量arch模型的渐近滤波理论。《计量经济学》，62（1）：1-411994。[34]B.Oksendal。随机微分方程。斯普林格，2000年。[35]J.佩雷洛、R.瑟卡尔和J.马斯奥利弗。随机波动下的期权定价：Ornstein-Uhlenbeck指数模型。第26页，2008年。[36]O.Pfante、E.Olbrich、N.Bertschinger、N.Ay和J.Jost。帐篷地图粗粒化的闭合措施。Chaos（纽约州伍德伯里），24（1）：0131362014。[37]P.C.B.Phillips和J.Yu。金融中连续时间模型的最大似然和高斯估计。在T.Mikosch，J.-P.Kreiss，R.A.Davis和T.G.Andersen的《金融时间序列手册》第497-530页的编辑中。施普林格柏林海德堡，2009年。[38]C.拉斯穆森和C.威廉姆斯。机器学习的高斯过程。自适应计算和机器学习。麻省理工学院出版社，马萨诸塞州剑桥，美国，2006年1月。[39]C.香农。沟通的数学理论。贝尔系统技术期刊，27:379–423，1948年。[40]N.谢泼德。随机波动率：精选读数。牛津大学出版社，第1版，2005年3月。[41]S.什里夫。金融随机演算2。3号。斯普林格，2004年。[42]S·J·泰勒。由两个随机过程的乘积模拟的财务回报1961-79年每日糖价研究。《时间序列分析：理论与实践》，1982年1:203–226。[43]S.范德沃尔特、C.S.科尔伯特和G.瓦洛夸克斯。

numpy阵列：一种高效数值计算的结构。科学与工程计算，2011年13:22–30.02004060001200days-10-5051015返回200 400 600 800 1000 1200天-10-505101520ReturnFigure 8:OU（顶部）和RBF RBF（底部）协方差函数符合标准普尔500指数数据的指数随机波动率模型。日收益率以黑色显示，波动率以蓝色显示。灰色区域显示了较大的不确定性（95%可信区域），在预测未来（红色曲线）时，不确定性迅速增加。插图显示了最后50个数据点的zoomon。OU模型RBF RBF模型0 20 40 60 80 100天0。20.40.60.81.01.2信息增益[位]0 20 40 60 80 100天0。350.400.450.500.550.60信息增益[bit]图9：基于前一日收益率rt的连续波动序列的瞬时波动率σt（t=1006）的信息增益-τ+1, . . . , 在两种模型中，信息在大约20天后变得不饱和。