Robustified Gaussian quasi-likelihood inference for volatility
波动率推断的稳健化高斯拟似然方法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：题名直接讨论波动率推断，摘要明确使用受跳跃和尖峰污染的高频半鞅观测，因此归入波动率和高频计量。
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
波动率推断的稳健化高斯拟似然方法
- 研究问题
- 高频观测中的有限活动跳跃与尖峰噪声会污染协变量和响应过程，如何在此情况下进行稳健的波动率参数估计与统计推断？
- 方法与思路
- 作者在连续半鞅回归模型中引入密度幂加权和基于 Hölder 不等式的归一化，构造仅需一个调节参数的稳健高斯拟极大似然估计。
- 材料陈述的贡献
- 摘要称，估计量具有标准平方根样本量速率的混合正态极限，并同时抵抗两类过程的污染；适当调参时可恢复无污染估计的渐近分布。
- 阅读关注点
- 应核对污染过程的限制、模型正则条件、调节参数的选择规则，以及稳健性和无污染效率结论各自适用的范围与证明。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未说明具体正则条件，模拟中的调参不敏感也不能视为普遍保证。
原文摘要
We consider statistical inference for a class of continuous semimartingale regression models based on high-frequency observations subject to contamination by finite-activity jumps and spike noise. By employing density-power weighting and Hölder-inequality-based normalization, we propose easy-to-implement, robustified versions of the conventional Gaussian quasi-maximum-likelihood estimator that require only a single tuning parameter. We prove their asymptotic mixed normality at the standard rate of $\sqrt{n}$. It is theoretically shown that these estimators are simultaneously robust against contamination in both the covariate and response processes. Additionally, under suitable conditions on the selection of the tuning parameter, the proposed estimators achieve the same asymptotic distribution as the conventional estimator in the contamination-free case. Illustrative simulation results highlight the estimators' insensitivity to the choice of the tuning parameter.