Quantile autoregressive conditional heteroscedasticity
分位数自回归条件异方差模型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：摘要围绕条件异方差时间序列和 GARCH 模型展开，直接对应时间序列与波动率建模。
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…
分位数自回归条件异方差模型
- 研究问题
- 研究如何让条件异方差时间序列在不同分位水平具有不同结构，并改善厚尾分布与高分位样本稀少时的估计表现。
- 方法与思路
- 作者将分位数回归过程用于 GARCH 的无限阶 ARCH 表示，提出自加权分位数与复合分位数估计，并借助近似模型外推高分位。
- 材料陈述的贡献
- 摘要称，新模型包含常用 GARCH 为特例，讨论严格平稳性并建立估计量渐近性质，同时提供模拟与实证例子。
- 阅读关注点
- 应核对平稳性和自加权所需条件、分位数间结构的一致性，以及基于 Tukey-lambda 创新分布的高分位外推依赖哪些假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出理论条件、尾部外推误差或数值结果，不能认定其普遍更稳健。
原文摘要
This paper proposes a novel conditional heteroscedastic time series model by applying the framework of quantile regression processes to the ARCH(\infty) form of the GARCH model. This model can provide varying structures for conditional quantiles of the time series across different quantile levels, while including the commonly used GARCH model as a special case. The strict stationarity of the model is discussed. For robustness against heavy-tailed distributions, a self-weighted quantile regression (QR) estimator is proposed. While QR performs satisfactorily at intermediate quantile levels, its accuracy deteriorates at high quantile levels due to data scarcity. As a remedy, a self-weighted composite quantile regression (CQR) estimator is further introduced and, based on an approximate GARCH model with a flexible Tukey-lambda distribution for the innovations, we can extrapolate the high quantile levels by borrowing information from intermediate ones. Asymptotic properties for the proposed estimators are established. Simulation experiments are carried out to access the finite sample performance of the proposed methods, and an empirical example is presented to illustrate the usefulness of the new model.