基于参数学习的garch动态无穷活动率lévy过程的欧式期权定价

？在股票价格中引入漂移率、波动率和随机跳跃三种状态，建立动态状态空间模型，并通过局部风险中性定价关系（rnvr）推导无套利定价模型.以非高斯条件arma-ngarch为基准模型，构建s&p500指数的离散动态lévy过程，并基于序贯贝叶斯的参数学习方法，进行模型估计和期权定价研究.结果表明：动态lévy过程能够联合刻画时变漂移率、条件波动率和无穷活动率等特征，且贝叶斯方法的引入提高了期权隐含波动率的定价精度.同时，无穷活动率模型在期权定价方面具有显著优势.在五类滤波中，无损粒子滤波估计精度最高，速降调和稳态过程（rdts）的期权定价误差最小，而非高斯模型在收益率预测方面没有表现出显著的差异.