Tail behavior of ACD models and consequences for likelihood-based estimation
ACD 模型的尾部行为及其对似然估计的影响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：摘要研究交易事件持续时间及其自回归条件动态，并强调时间内随机事件计数。
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…
ACD 模型的尾部行为及其对似然估计的影响
- 研究问题
- 在固定交易时间内观测数量随机的金融持续时间模型中，持续时间的尾部厚度如何改变似然估计的收敛速度与极限分布？
- 方法与思路
- 作者利用固定时间跨度内事件数量随机这一特征，研究经典 ACD 模型中持续时间尾部行为对似然估计渐近性质的影响。
- 材料陈述的贡献
- 摘要称，即使模型平稳，尾指数小于一、持续时间均值不存在时，常规渐近正态性失效，估计量呈混合高斯且收敛速度非标准。
- 阅读关注点
- 核对尾指数和观测时间跨度的渐近设定、随机样本量如何进入极限理论，以及混合高斯分布下标准误和区间的构造。
- 阅读边界
- 仅据所给 OpenAlex 摘要，完整模型条件、具体非标准速度及可行推断未说明，不能将结论直接套用于固定样本量设计。
原文摘要
We establish new results for estimation and inference in financial durations models, where events are observed over a given time span, such as a trading day, or a week. For the classical autoregressive conditional duration (ACD) models by Engle and Russell (1998), we show that the large sample behavior of likelihood estimators is highly sensitive to the tail behavior of the financial durations. In particular, even under stationarity, asymptotic normality breaks down for tail indices smaller than one or, equivalently, when the clustering behavior of the observed events is such that the unconditional distribution of the durations has no finite mean. Instead, we find that estimators are mixed Gaussian and have non-standard rates of convergence. The results are based on exploiting the crucial fact that for duration data the number of observations within any given time span is random. Our results apply to general econometric models where the number of observed events is random.