GENERALIZED AUTOREGRESSIVE SCORE MODELS WITH APPLICATIONS
广义自回归得分模型及其应用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：摘要核心是观测驱动的非线性时间序列及其参数动态；金融应用场景未明确，因而仅选择时间序列方向。
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…
广义自回归得分模型及其应用
- 研究问题
- 如何在多类非线性时间序列模型中统一引入时变参数，并形成能够涵盖已有模型和构造新模型的更新机制？
- 方法与思路
- 作者提出广义自回归得分模型，以似然函数的缩放得分更新时变参数，并展示时变copula和多元点过程规格。
- 材料陈述的贡献
- 摘要称，该框架涵盖GARCH、条件持续期、条件强度及泊松计数模型，并提供新规格、模拟和实证分析。
- 阅读关注点
- 应核对得分的缩放方式、参数更新的约束、与既有模型的对应关系，以及模拟和实证中采用的评价标准。
- 阅读边界
- 仅依据所给Crossref摘要；稳定性条件、估计性质和模拟结果未说明，统一框架的表述不能直接证明所有规格均有效。
原文摘要
SUMMARY We propose a class of observation‐driven time series models referred to as generalized autoregressive score (GAS) models. The mechanism to update the parameters over time is the scaled score of the likelihood function. This new approach provides a unified and consistent framework for introducing time‐varying parameters in a wide class of nonlinear models. The GAS model encompasses other well‐known models such as the generalized autoregressive conditional heteroskedasticity, autoregressive conditional duration, autoregressive conditional intensity, and Poisson count models with time‐varying mean. In addition, our approach can lead to new formulations of observation‐driven models. We illustrate our framework by introducing new model specifications for time‐varying copula functions and for multivariate point processes with time‐varying parameters. We study the models in detail and provide simulation and empirical evidence. Copyright © 2012 John Wiley & Sons, Ltd.