A Semiparametric Approach to the Detection of Change-points in Volatility Dynamics of Financial Data
金融数据波动动态变点检测的半参数方法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：摘要直接处理金融 GARCH 波动动态及其变点检测，分别对应波动率建模和结构变化方向，未涉及资产定价问题。
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
金融数据波动动态变点检测的半参数方法
- 研究问题
- 当金融时间序列的条件误差分布不满足参数化假设时，如何准确检测波动动态中的结构变化，并支持可靠的波动估计？
- 方法与思路
- 作者保留 GARCH 动态结构，对条件误差分布采用非参数处理，结合半参数惩罚似然和二元分割算法进行变点检测。
- 材料陈述的贡献
- 摘要称该方法在广泛情景中，变点估计和检测准确性优于常用 QMLE 及其他 GARCH 变体；未列出具体情景或优势幅度。
- 阅读关注点
- 核对误差分布的估计方式、惩罚选择和分割停止规则，以及变点数量与位置的评估标准、比较方法及计算成本。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明一致性条件、变化间隔要求或数值结果，不能据此确认普遍优势。
原文摘要
One of the most important features of financial time series data is volatility. There are often structural changes in volatility over time, and an accurate estimation of the volatility of financial time series requires careful identification of change-points. A common approach to modeling the volatility of time series data is the well-known GARCH model. Although the problem of change-point estimation of volatility dynamics derived from the GARCH model has been considered in the literature, these approaches rely on parametric assumptions of the conditional error distribution, which are often violated in financial time series. This may lead to inaccuracies in change-point detection resulting in unreliable GARCH volatility estimates. This paper introduces a novel change-point detection algorithm based on a semiparametric GARCH model. The proposed method retains the structural advantages of the GARCH process while incorporating the flexibility of nonparametric conditional error distribution. The approach utilizes a penalized likelihood derived from a semiparametric GARCH model and an efficient binary segmentation algorithm. The results show that in terms of change-point estimation and detection accuracy, the semiparametric method outperforms the commonly used Quasi-MLE (QMLE) and other variations of GARCH models in wide-ranging scenarios.