Wavelet-based estimation of long-memory parameter in stochastic volatility models using a robust log-periodogram
用稳健对数周期图进行随机波动率模型长记忆参数的小波估计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：摘要研究时间序列长记忆估计，题名进一步明确随机波动率模型这一应用对象。
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…
用稳健对数周期图进行随机波动率模型长记忆参数的小波估计
- 研究问题
- 在非高斯噪声下，如何结合小波多分辨率分析与稳健周期图，改进时间序列及随机波动率模型的长记忆参数估计？
- 方法与思路
- 作者结合小波框架与最小绝对偏差准则构造稳健周期图，再将其用于对数周期图回归，形成新的长记忆参数估计量。
- 材料陈述的贡献
- 摘要称在不同样本量和参数配置的模拟中，新估计量相较 GPH 与小波对数周期图估计量具有更好的均方误差表现。
- 阅读关注点
- 应核对稳健周期图的定义、尺度与频率选择、噪声设定，以及模拟比较是否使用一致的调参规则和评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明渐近性质、具体模拟结果或真实数据表现，不能认定普遍占优。
原文摘要
In this paper, we propose a novel method for estimating the long-memory parameter in time series. By combining the multi-resolution framework of wavelets with the robustness of the Least Absolute Deviations (LAD) criterion, we introduce a periodogram providing a robust alternative to classical methods in the presence of non-Gaussian noise. Incorporating this periodogram into a log-periodogram regression, we develop a new estimator. Simulation studies demonstrate that our estimator outperforms the Geweke and Porter-Hudak (GPH) and Wavelet-Based Log-Periodogram (WBLP) estimators, particularly in terms of mean squared error, across various sample sizes and parameter configurations.