Autoregressive conditional betas
自回归条件贝塔模型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。
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：摘要明确包含 GARCH 条件波动率、自回归动态及平稳性分析。
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…
自回归条件贝塔模型
- 研究问题
- 如何在同一回归模型中刻画随历史冲击和外生变量变化的斜率系数，以及具有 GARCH 条件波动率的残差？
- 方法与思路
- 作者提出半参数的自回归条件贝塔模型，采用准得分驱动更新，研究一步和多步准极大似然估计，并构造贝塔恒定性检验。
- 材料陈述的贡献
- 摘要称，论文建立平稳解存在性、得分滤波可逆性与估计渐近性质；金融应用发现时变贝塔证据，并讨论组合和风险管理。
- 阅读关注点
- 核对贝塔与波动率的更新方程、平稳性和滤波可逆性的条件，以及创新分布未指定时估计与恒定性检验的有效性。
- 阅读边界
- 仅据所给出版社摘要，无法确定模型参数限制、检验功效及金融应用效果，不能将所述应用解释为已验证的投资收益改善。
原文摘要
This paper introduces an autoregressive conditional beta (ACB) model that allows regressions with dynamic betas (or slope coefficients) and residuals with GARCH conditional volatility. The model fits in the (quasi) score-driven approach recently proposed in the literature, and it is semi-parametric in the sense that the distributions of the innovations are not necessarily specified. The time-varying betas are allowed to depend on past shocks and exogenous variables. We establish the existence of a stationary solution for the ACB model, the invertibility of the score-driven filter for the time-varying betas, and the asymptotic properties of one-step and multistep QMLEs for the new ACB model. The finite sample properties of these estimators are studied by means of an extensive Monte Carlo study. Finally, we also propose a strategy to test for the constancy of the conditional betas. In a financial application, we find evidence for time-varying conditional betas and highlight the empirical relevance of the ACB model in a portfolio and risk management empirical exercise.