市场突然出现一个极端涨跌，波动率模型往往会立刻大幅调整，随后几期都被这次异常牵着走。Livieri 和 Palmari 的新工作提供了一个更灵活的旋钮：观测驱动滤波器——每看到一条新数据，就递推更新波动率等隐藏状态——不必只按似然得分行动，也可以由一般的适当评分规则驱动。后者是给概率预测打分的准则，并保证如实报告真实分布在平均意义上最优。
关键变化不只是“换一种打分”。传统对数得分下，模型回到目标的力度与数据注入的噪声，由同一个局部信息量控制；推广后，两者可以分开设计。论文推导表明，滤波器的平均更新相当于沿所选评分风险下降，而采用有界的更新驱动时，极端观测对后续路径的传导可以受限。换句话说，同一套实时递推框架，既能更重视尾部或特定预测目标，也能选择对异常值更克制的反应。
作者还给出参数估计理论和连续时间极限：高频更新在驱动已居中时趋向扩散过程，未居中时则趋向确定性的平均流。论文没有给出适用于所有任务的统一优胜者；评分规则、工作模型、缩放方式和自回归参数会共同决定结果。