1、狀態(tài)空間模型應(yīng)用范圍極廣，因為它能將不可觀測的變量并入可觀測模型，并與其一起估計得到結(jié)果，估計公式是具有強大迭代算法的Kalman濾波和平滑公式。而很多模型如ARMA模型、GARCH模型族、SV模型族等大量的計量經(jīng)濟模型都能轉(zhuǎn)化成狀態(tài)空間模型進行估計。早期的狀態(tài)空間理論基于擾動項和初始狀態(tài)向量的正態(tài)假設(shè)，但對于眾多的經(jīng)濟變量該假定并不合理，迫使我們必須發(fā)展非高斯非線性狀態(tài)空間模型，研究在其框架下可使用的更廣泛的、擴展的Kalman濾波和

2、平滑公式?；诖吮尘氨疚闹匮芯苛朔歉咚?fàn)顟B(tài)空間模型，利用一階泰勒展開將其轉(zhuǎn)化成近似線性狀態(tài)空間模型。其中對于非高斯分布考慮了經(jīng)濟變量中常出現(xiàn)的三種情形，對三類具體化的模型給出了具體的解決辦法，并導(dǎo)出擴展的Kalman濾波和平滑公式。其中使用了基于MonteCarlo模擬的重要抽樣技術(shù)，由于在模擬中使用獨立樣本而非馬爾可夫鏈，巧妙的避開了收斂性問題，且基于模擬獲得了抽樣方差較準(zhǔn)確的估計量。與此同時，由于近年來高頻超高頻時間序列的分析與建

3、模成為計量經(jīng)濟的一個全新研究領(lǐng)域，而研究金融市場中交易事件到達時間的隨機條件持續(xù)期SCD模型，因為加入了隨機變量，可以更好的擬合高頻超高頻金融時間序列特有的統(tǒng)計特征，被認(rèn)為是一個較優(yōu)秀的模型，但隨機變量的引入也給模型估計帶來了困難。考慮到非高斯?fàn)顟B(tài)空間模型與隨機條件持續(xù)期SCD模型各自的優(yōu)勢，我們將SCD模型轉(zhuǎn)換成非高斯?fàn)顟B(tài)空間模型，從而利用非高斯?fàn)顟B(tài)空間框架下的Kalman濾波解決了SCD模型的估計難題。實證結(jié)果驗證了這一可行性，并向