Least‐squares estimation of GARCH(1,1) models with heavy‐tailed errors
重尾误差下 GARCH(1,1) 模型的最小二乘估计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。
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：摘要直接研究 GARCH 波动率估计，并通过风险价值预测与回测讨论重尾金融数据中的风险度量。
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
重尾误差下 GARCH(1,1) 模型的最小二乘估计
- 研究问题
- 重尾误差下如何估计 GARCH(1,1)，并解决对数变换估计中的未知调节常数造成的波动率尺度识别问题？
- 方法与思路
- 作者提出基于对数变换的最小二乘方法，再构造两种两阶段估计量，并用真实与模拟数据考察风险预测及有限样本表现。
- 材料陈述的贡献
- 摘要称，两阶段估计量在较弱误差矩条件下具有一致性和渐近正态性，并讨论未知尺度常数对不同应用的影响。
- 阅读关注点
- 应核对误差矩条件、两阶段尺度校正与调节常数处理方式，以及风险价值回测能支持哪些预测结论和适用范围。
- 阅读边界
- 所给摘要的收敛速度排版可能缺失数学信息，需查阅原文；摘要也未列明矩条件，不能据此确认具体速度或稳健性范围。
原文摘要
GARCH(1,1) models are widely used for modelling processes with time‐varying volatility. These include financial time series, which can be particularly heavy tailed. In this paper, we propose a novel log‐transform‐based least‐squares approach to the estimation of GARCH(1,1) models. Within this approach, the scale of the estimated volatility is dependent on an unknown tuning constant. By means of a backtesting exercise on both real and simulated data, we show that knowledge of the tuning constant is not crucial for Value at Risk prediction. However, this does not apply to many other applications where correct identification of the volatility scale is required. In order to overcome this difficulty, we propose two alternative two‐stage least‐squares estimators and we derive their asymptotic properties under very mild moment conditions for the errors. In particular, we establish the consistency and asymptotic normality at the standard convergence rate of n for our estimators. Their finite sample properties are assessed by means of an extensive simulation study.