Adaptive Student's t-distribution with method of moments moving estimator for nonstationary time series
面向非平稳时间序列的自适应 Student t 分布与移动矩估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究非平稳收益时间序列，并动态刻画尺度参数、尾部形状和极端事件概率。
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…
关注这篇论文的作者
面向非平稳时间序列的自适应 Student t 分布与移动矩估计
- 研究问题
- 面对非平稳金融收益序列，如何低成本地更新分布参数，并同时刻画位置、尺度和决定极端事件概率的尾部形状？
- 方法与思路
- 作者采用指数加权的移动估计思想，以绝对中心矩的指数移动平均更新 Student t 分布参数，并应用于道指公司对数收益。
- 材料陈述的贡献
- 摘要称该方法除更新位置和尺度外，还可动态估计控制尾部形状的自由度参数，从而描述极端事件概率随时间的变化。
- 阅读关注点
- 应核对所选矩阶数与自由度之间的可解关系、矩存在条件、更新速度选择，以及尾部概率估计和样本外验证方式。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明估计误差、矩不存在时的处理或风险预测可靠性。
原文摘要
The real life time series are usually nonstationary, bringing a difficult question of model adaptation. Classical approaches like ARMA-ARCH assume arbitrary type of dependence. To avoid their bias, we will focus on recently proposed agnostic philosophy of moving estimator: in time $t$ finding parameters optimizing e.g. $F_t=\sum_{τ<t} (1-η)^{t-τ} \ln(ρ_θ(x_τ))$ moving log-likelihood, evolving in time. It allows for example to estimate parameters using inexpensive exponential moving averages (EMA), like absolute central moments $m_p=E[|x-μ|^p]$ evolving for one or multiple powers $p\in\mathbb{R}^+$ using $m_{p,t+1} = m_{p,t} + η(|x_t-μ_t|^p-m_{p,t})$. Application of such general adaptive methods of moments will be presented on Student's t-distribution, popular especially in economical applications, here applied to log-returns of DJIA companies. While standard ARMA-ARCH approaches provide evolution of $μ$ and $σ$, here we also get evolution of $ν$ describing $ρ(x)\sim |x|^{-ν-1}$ tail shape, probability of extreme events - which might turn out catastrophic, destabilizing the market.