Inconsistency of the MLE and inference based on weighted LS for LARCH models
LARCH 模型中极大似然估计的不一致性与加权最小二乘推断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 ARCH 类波动率模型、杠杆效应，并考察股票市场收益的相关特征。
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
LARCH 模型中极大似然估计的不一致性与加权最小二乘推断
- 研究问题
- 对于能刻画杠杆效应、且波动率可任意接近零的有限阶 LARCH 模型，如何应对似然估计不一致并建立有效推断？
- 方法与思路
- 作者提出自加权最小二乘估计并证明其渐近正态性，同时构造条件同方差得分检验和混合检验，用模拟及股票收益考察。
- 材料陈述的贡献
- 摘要称这类模型的极大似然或拟极大似然估计一般不一致，所提自加权估计具有渐近正态性，并提供同方差与诊断检验。
- 阅读关注点
- 应核对似然不一致的原因与适用情形、自权重构造及矩条件，并区分有限阶理论与摘要提及的无限阶长记忆建模用途。
- 阅读边界
- 仅依据所给出版社摘要，不能认定所有 LARCH 似然估计均不一致；具体条件、股票市场检验结论及模拟结果未说明。
原文摘要
This paper considers a class of finite-order autoregressive linear ARCH models. The model captures the leverage effect, allows the volatility to be arbitrarily close to zero and to reach its minimum for non-zero innovations, and is appropriate for long memory modeling when infinite orders are allowed. However, the (quasi-)maximum likelihood estimator is, in general, inconsistent. A self-weighted least-squares estimator is proposed and is shown to be asymptotically normal. A score test for conditional homoscedasticity and diagnostic portmanteau tests are developed. Their performance is illustrated via simulation experiments. It is also investigated whether stock market returns exhibit some of the characteristic features of the linear ARCH model.