Noncausal AR processes driven by causal GARCH volatility
由因果 GARCH 波动驱动的非因果自回归过程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 AR 时间序列与 GARCH 波动模型，并明确提供金融数据应用。
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…
由因果 GARCH 波动驱动的非因果自回归过程
- 研究问题
- 在非因果 AR 模型中引入因果 GARCH 条件异方差后，泡沫崩溃前后的波动如何变化，参数估计为何变得非标准？
- 方法与思路
- 作者分析观测历史与 GARCH 过程历史所生成信息集的差异，研究 AR 系数三步加权最小二乘及波动参数 QMLE。
- 材料陈述的贡献
- 摘要称，大冲击会提高泡沫崩溃前后的波动，完整 QMLE 一般不一致；文章研究替代估计方法的渐近性质并提供应用。
- 阅读关注点
- 应核对非因果 AR 与因果 GARCH 的联合定义、完整 QMLE 不一致的机制，以及三步估计和波动推断的成立条件。
- 阅读边界
- 所给出版社摘要未说明模型阶数、冲击分布及渐近结论的具体条件；金融应用也未提供数据名称或数值结果。
原文摘要
This paper studies the introduction of causal conditional heteroskedasticity in noncausal autoregressive (AR) models. We demonstrate that, in this framework, large shocks to the innovation process driving the GARCH error term of a noncausal AR model result in heightened volatility immediately before and after a bubble crash. The non-coincidence of the σ-fields generated by past observations and past values of the GARCH process makes statistical inference nonstandard. In particular, the full quasi-maximum likelihood estimator (QMLE) is generally inconsistent. We investigate the asymptotic properties of three-step weighted least squares estimators of the AR coefficient and the QMLE of the volatility parameters. Our findings are illustrated by Monte Carlo experiments and an empirical application to financial data.