Normal Inverse Gaussian Autoregressive Model Using EM Algorithm
使用EM算法估计的正态逆高斯自回归模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确提出自回归时间序列模型，但金融应用未具体涉及收益预测、资产定价或波动率，故仅选时间序列。
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
使用EM算法估计的正态逆高斯自回归模型
- 研究问题
- 如何构造正态逆高斯自回归模型并估计其参数，以及这种模型能否描述摘要所考察的真实金融时间序列？
- 方法与思路
- 作者引入正态逆高斯自回归模型，以EM算法估计参数，并用模拟数据和真实金融数据展示算法与模型的表现。
- 材料陈述的贡献
- 摘要称EM算法在所考察数据中有效，模型对所用金融数据拟合良好，并提出其可能适用于其他现实时间序列。
- 阅读关注点
- 应核对自回归模型的概率设定、EM更新与收敛诊断、金融数据内容，以及拟合优度所用指标和比较基准。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实；摘要未说明数据、模型阶数和比较结果，良好拟合不保证预测有效。
原文摘要
In this article, normal inverse Gaussian (NIG) autoregressive model is introduced. The parameters of the model are estimated using Expectation Maximization (EM) algorithm. The efficacy of the EM algorithm is shown using simulated and real world financial data. It is shown that NIG autoregressive model fit very well the considered financial data and hence could be useful in modeling of various real life time-series data.