使用随机波动率模型进行基于混合分布的预测。商业和工业应用随机模型22:547–557。续，R.2007。金融市场波动性聚类：经验事实和基于代理的模型。《经济学的长期记忆》，第289-309页。斯普林格。Creal，D.2012年。经济学和金融学序贯蒙特卡罗方法综述。计量经济学评论31:245–296。Danielsson，J.1994年。用模拟最大似然估计资产价格的随机波动性。计量经济学杂志64:375–400。Danielsson，J.，和J.-F.Richard。应用于动态潜变量模型的加速高斯重要性采样器。应用计量经济学杂志8:S153–S173。杜菲、D.、J.潘和K.辛格尔顿。2000年。转换分析和资产定价以获得更大的跳跃式发展。计量经济学68:1343–1376。Eraker，B.2001年。差异模型的MCMC分析及其在金融中的应用。商业和经济统计杂志19:177–191。Eraker，B.、M.Johannes和N.Polson。波动率和回报率跳跃的影响。《金融杂志》58:1269–1300。弗里德曼、M.和L.哈里斯。非高斯随机波动率模型的最大似然方法。商业与经济统计杂志16:284–291。Gordon、N.J.、D.J.Salmond和A.F.Smith。非线性/非高斯贝叶斯状态估计的新方法。IEEE会议录F（雷达和信号处理），第140卷，第107-113页。哈维、A.、E.鲁伊斯和N.谢泼德。多元随机方差模型。经济研究回顾61:247–264。Heston，S.1993年。随机波动率期权的闭式解，应用于债券和货币期权。财务研究回顾6:327。Hurn、A.S.、K.A.Lindsay和A.J.McClelland。2015年。使用期权价格数据估计随机波动率模型的参数。

商业与经济统计杂志33:579–594。Jacquier，E.、N.G.Polson和P.E.Rossi。随机波动率模型的贝叶斯分析。商业与经济统计杂志12:371–389。Johannes，M.，R.Kumar和N.G.Polson。国家相关跳跃模型：使用率指数如何跳跃。工作纸。Johannes、M.S.、N.G.Polson和J.R.Stroud。跳跃差异的最佳过滤：从资产价格中提取潜在状态。金融研究回顾22:2759–2799。Kalman，R.E.1960年。线性滤波和预测问题的新方法。基础工程杂志82:35–45。北川，G.1987年。非平稳时间序列的非高斯状态空间建模。美国统计协会杂志82:1032–1041。朗洛克，R.，I.L.麦克唐纳和西葫芦。2012年。一些非标准随机波动率模型及其使用结构化隐马尔可夫模型的估计。《经验金融杂志》19:147–161。Maheu、J.M.和T.H.McCurdy。2004年。单个股票回报的新闻到达、跳跃动态和波动性成分。《金融杂志》59:755–793。Malik，S.和M.K.Pitt。用于连续可能性评估和最大化的粒子滤波器。计量经济学杂志165:190–209。梅利诺，A.和S.M.特恩布尔。具有随机波动性的外汇期权定价。计量经济学杂志45:239–265。默顿，R.C.1976年。基础股票收益不连续时的期权定价。《金融经济学杂志》3:125–144。Nelson，D.B.1988年。股票市场波动和收益的时间序列行为。麻省理工学院博士论文。奥尔塔纳莱，约2014年。利维跳跃风险：来自期权和收益的证据。《金融经济学杂志》112:69–90。Pan，J.2002年。期权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。皮特、M.K、S.马利克和A.杜塞特。2014年。使用连续粒子滤波对随机挥发模型进行模拟似然推断。统计数学研究所年鉴66:527–552。Rémillard，B.，2013年。金融工程统计方法。查普曼和霍尔。Shephard，N.1993年。拟合非线性时间序列模型，并将其应用于随机方差模型。应用计量经济学杂志8:S135–S152。Taylor，S.J.1986年。金融时间序列建模。《世界科学》（World Scientific.Todorov，V.）和G.Tauchen。2011年，波动率大幅上升。商业与经济统计杂志29:356–371。渡边，T.1999年。随机波动率模型的非线性滤波方法，并应用于每日股票回报。应用计量经济学杂志14:101–121。补充材料粒子过滤器在本节中，我们简要描述了本研究中用于计算似然函数的顺序蒙特卡罗方法。粒子过滤器的实施紧随Gordon等人（1993）的工作；具体而言，我们使用引导过滤器。

算法2描述了一般SIR方法的各个步骤。算法2序列重要性重采样1：启动状态x（i）~ p（·）表示i∈ {1，2，…，Np}，其中p是初始状态密度2：对于每个t∈ {1，…，T}do3：对于每个i∈ {1，…，Np}do4：样本▄x（i）t~ q·x（i）t-1.5： 设置▄x（i）0:t=x（i）0:t-1，x（i）t6： 评估重要性权重，即wtx（i）0:t= w（i）t-1r级年初至今x（i）t7： 规范化重要性权重，即bw（i）t=wtx（i）0:tPNj=1重量x（j）0:t8： 结束第9步：根据权重Bw（i）t10，使用替换Npparticles从▄x（i）0:t重新采样：为每个i设置w（i）t=∈ {1，…，N}11：计算时间t似然贡献，即f（yt | y1：t-1)≈PNi=1重量x（i）0:t12： 结束语13：通过对DNF偏差的似然贡献B研究的结果计算似然函数L（Θ）。现在评估了DNF方法使用最大似然估计估计跳跃扩散模型参数的有效性。在本实验中，我们将使用DNF获得的参数估计与其各自的真值进行比较。此模拟练习的主要目标是评估DNF是否会导致估计参数中的系统偏差。具体而言，对于一组与本研究引言中引用的大多数研究一致的可能参数，我们生成了100条十年收益路径，即T=2520。然后，我们使用DNF方法结合数值优化器来确定最大似然估计。表SM。1报告每个参数和每个模型的平均值、偏差以及均方根误差。总之，大多数参数的平均值都非常接近真实值，导致了较小的偏差。唯一的例外是参数κ：与此参数相关的偏差徘徊在0.25和0.75之间。然而，尽管这种偏见在视觉上看起来很大，但并没有那么可怕。

事实上，当用过程的日常持续性来表示时，asit通常在计量经济学中完成，差异相当小，例如-3.717h=0.9882 versuse-对于SV模型，3.000h=0.9854。SM-1表格SM。1： 每个模型的偏差研究。面板A：SV模型。平均真值偏差RMSEu0.033 0.060-0.027 0.042κ3.717 3.000 0.717 1.117θ0.033 0.030 0.003 0.005σ0.300 0.300 0.000 0.031ρv-0.599-0.600 0.001 0.070面板B：SVYJ型号。平均真值偏差RMSEu0.040 0.060-0.020 0.045κ3.693 3.000 0.693 1.116θ0.033 0.030 0.003 0.005σ0.300 0.300 0.000 0.033ρv-0.599-0.600 0.001 0.081θ 4.909 5.000 -0.091 1.780α -0.022-0.020-0.002 0.009δ0.030 0.030 0.000 0.005面板C：SVCJ型号。平均真值偏差RMSEu0.059 0.060-0.001 0.038κ3.530 3.000 0.530 0.778θ0.031 0.030 0.001 0.008σ0.305 0.300 0.005 0.043ρv-0.598-0.600 0.002 0.105ω 5.122 5.000 0.122 1.791α -0.024-0.020-0.004 0.012δ 0.026 0.030 -0.004 0.007ν0.011 0.010 0.001 0.005ρz-0.887-1.000 0.113 0.591面板D：SVCJSI模型。平均真值偏差RMSEu0.058 0.060-0.002 0.010κ 3.261 3.000 0.261 0.451θ 0.031 0.030 0.001 0.005σ 0.276 0.300 -0.024 0.033ρv-0.577-0.600 0.023 0.091χ3.123 3.000 0.123 0.373ω5.060 5.000 0.060 0 0.780ξ5.089 5.000 0.089 0.817ρl-0.309-0.300-0.009 0.037α -0.020-0.020 0.000 0.003δ 0.028 0.030 -0.002 0.005ν0.010 0.010 0.000 0.002ρz-1.004-1-0.004 0.130此表报告了平均参数、真值、偏差以及均方根误差，以均方根误差表示。对于一组可能的参数，我们生成了100条十年收益路径，即T=2520。然后，我们使用DNF方法结合数值优化器来确定最大似然估计。SM-2