Bootstrapping High-Frequency Jump Tests
高频跳跃检验的自助法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以高频日内收益、已实现波动率及双幂变差为基础检验跳跃，直接涉及高频计量与波动率。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
高频跳跃检验的自助法
- 研究问题
- 如何为基于已实现波动率和双幂变差的高频跳跃检验构造自助法，并处理原始自助程序无法复制的高阶偏差？
- 方法与思路
- 作者以局部积分波动率度量作为方差生成零均值高斯日内收益，讨论阈值估计的条件，再为自助检验加入偏差修正。
- 材料陈述的贡献
- 摘要称给出保证渐近尺寸正确和备择下一致性的条件，并指出原程序的高阶偏差缺陷，修正后获得二阶渐近改进。
- 阅读关注点
- 核对局部波动率估计与阈值选择的条件、跳跃备择范围，以及累积量展开和偏差修正所需的具体正则性要求。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未交代具体条件或市场微观结构噪声处理，不能推断刊本变化。
原文摘要
The main contribution of this article is to propose a bootstrap test for jumps based on functions of realized volatility and bipower variation. Bootstrap intraday returns are randomly generated from a mean zero Gaussian distribution with a variance given by a local measure of integrated volatility (which we denote by {v^in}). We first discuss a set of high-level conditions on {v^in} such that any bootstrap test of this form has the correct asymptotic size and is alternative-consistent. We then provide a set of primitive conditions that justify the choice of a thresholding-based estimator for {v^in}. Our cumulant expansions show that the bootstrap is unable to mimic the higher-order bias of the test statistic. We propose a modification of the original bootstrap test which contains an appropriate bias correction term and for which second-order asymptotic refinements are obtained.