Asymptotically Optimal Smoothing with Arch Models
利用 ARCH 模型进行渐近最优平滑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：摘要直接研究时间序列中的随机波动过程，以及 ARCH 模型的滤波与平滑，对应波动率和时间序列方法。
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
利用 ARCH 模型进行渐近最优平滑
- 研究问题
- 在随机波动模型生成的时间序列中，如何利用过去与未来的残差信息，更有效地估计未观测波动过程，并处理随机初始条件？
- 方法与思路
- 作者以可能误设的 ARCH 模型估计波动过程，在连续时间极限框架下，将基于滞后残差的最优滤波扩展为结合前后残差的平滑。
- 材料陈述的贡献
- 摘要称双向残差信息可提高波动估计效率，并将已有最优滤波结果推广到平滑问题及具有随机初始条件的滤波。
- 阅读关注点
- 应核对误设 ARCH 仍能一致估计的条件、平滑效率的评价准则、连续时间极限的构造及随机初始条件如何进入结果。
- 阅读边界
- 摘要未给出效率提升的具体幅度、实际采样频率要求或有限样本证据；使用未来残差的平滑结果不能直接代表实时滤波性能。
原文摘要
Suppose an observed time series is generated by a stochastic volatility model. As shown by D. B. Nelson (1992) and D. B. Nelson and D. P. Foster (1994), a misspecified ARCH model will often be able to consistently (as a continuous time limit is approached) estimate the unobserved volatility process using information in the lagged residuals. This paper shows how to more efficiently estimate such a volatility process using information in both lagged and led residuals. In particular, this paper expands the optimal filtering results of Nelson and Foster (1994) and Nelson (1994) to smoothing and to filtering with a random initial condition. Copyright 1996 by The Econometric Society.