Two-stage non Gaussian QML estimation of GARCH models and testing the efficiency of the Gaussian QMLE
GARCH 模型的两阶段非高斯 QML 估计与高斯 QMLE 效率检验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 GARCH 条件异方差模型中的估计效率与检验，最直接对应金融波动率计量方法这一细分方向。
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…
GARCH 模型的两阶段非高斯 QML 估计与高斯 QMLE 效率检验
- 研究问题
- 在 GARCH 模型中，替代矩归一化与非高斯准似然能否改善原参数设定的估计效率，以及如何检验是否需要重参数化？
- 方法与思路
- 作者以替代矩条件取代创新方差为一的标准识别归一化，结合非高斯密度与重参数化，并提出判断是否需要该变换的检验。
- 材料陈述的贡献
- 摘要称这种非高斯 QML 与重参数化组合可带来效率收益，并提供检验来判断更有效的估计是否需要采用非高斯密度。
- 阅读关注点
- 应核对替代矩条件的具体形式、原参数与重参数之间的转换、两阶段估计步骤，以及效率比较和检验所依赖的分布条件。
- 阅读边界
- 解读限于所给出版社摘要；非高斯密度的选择、效率收益成立条件和检验表现未说明，不能理解为非高斯 QMLE 总是更有效。
原文摘要
In generalized autoregressive conditional heteroskedastic (GARCH) models, the standard identifiability assumption that the variance of the iid process is equal to 1 can be replaced by an alternative moment assumption. We show that, for estimating the original specification based on the standard identifiability assumption, efficiency gains can be expected from using a quasi-maximum likelihood (QML) estimator based on a non Gaussian density and a reparameterization based on an alternative identifiability assumption. A test allowing to determine whether a reparameterization is needed, that is, whether the more efficient QMLE is obtained with a non Gaussian density, is proposed.