Functional GARCH models: The quasi-likelihood approach and its applications
函数型 GARCH 模型的准似然方法及应用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：摘要以高频金融观测的曲线化建模为背景，并明确应用于已实现波动率预测，支持这两个方向。
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…
函数型 GARCH 模型的准似然方法及应用
- 研究问题
- 将密集观测的金融数据转化为随机曲线后，如何估计函数型 GARCH 的参数，并为波动率预测建立可用的渐近理论？
- 方法与思路
- 作者以准似然方法替代既有的矩估计思路，推导一致性和渐近正态性，通过模拟评估方法，并用于标普 100 指数已实现波动率预测。
- 材料陈述的贡献
- 摘要称为函数型 GARCH 提供了新的准似然估计路径及其渐近结果，并以模拟和波动率预测应用展示该方法的相关性。
- 阅读关注点
- 应核对曲线表示、函数参数的处理方式及准似然构造，关注渐近结论的条件，以及相对矩估计的效率比较和预测评价设计。
- 阅读边界
- 仅依据所给出版社摘要，无法确认准似然在何种条件下更有效率，也不能判断预测改善幅度；函数近似细节和模拟数值未说明。
原文摘要
The increasing availability of high frequency data has initiated many new research areas in statistics. Functional data analysis (FDA) is one such innovative approach towards modelling time series data. In FDA, densely observed data are transformed into curves and then each (random) curve is considered as one data object. A natural, but still relatively unexplored, context for FDA methods is related to financial data, where high-frequency trading currently takes a significant proportion of trading volumes. Recently, articles on functional versions of the famous ARCH and GARCH models have appeared. Due to their technical complexity, existing estimators of the underlying functional parameters are moment based—an approach which is known to be relatively inefficient in this context. In this paper, we promote an alternative quasi-likelihood approach, for which we derive consistency and asymptotic normality results. We support the relevance of our approach by simulations and illustrate its use by forecasting realised volatility of the S&P100 Index.