To be or not to be: Roughness or long memory in volatility?
波动率究竟具有粗糙性还是长记忆？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：摘要研究金融收益的瞬时波动动态，并使用加密货币高频数据构造瞬时已实现方差，直接支持波动率和高频计量方向。
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…
波动率究竟具有粗糙性还是长记忆？
- 研究问题
- 金融波动率的短期粗糙性与长期记忆如何区分，能否通过连续时间模型估计刻画不同时间尺度上的相关结构？
- 方法与思路
- 作者建立连续时间平稳高斯过程的复合似然估计与渐近理论，比较两类对数瞬时方差模型，并分析加密货币高频数据。
- 材料陈述的贡献
- 摘要称模拟中方法优于所比较的矩估计；实证支持短期与长期波动相关结构分离的机制，并获得对数瞬时交易量分析的支持。
- 阅读关注点
- 应核对复合似然的构造、参数可识别性和渐近条件，以及高频瞬时方差的测量误差是否影响粗糙性与长记忆的区分。
- 阅读边界
- 所据为 arXiv 预印本摘要，同行评审及期刊接收未核实；模型细节和数值证据未说明，加密货币应用不能直接推广至全部资产。
原文摘要
We develop a framework for composite likelihood estimation of parametric continuous-time stationary Gaussian processes. We derive the asymptotic theory of the associated maximum composite likelihood estimator. We implement our approach on a pair of models that have been proposed to describe the random log-spot variance of financial asset returns. A simulation study shows that it delivers good performance in these settings and improves upon a method-of-moments estimation. In an empirical investigation, we inspect the dynamic of an intraday measure of the spot log-realized variance computed with high-frequency data from the cryptocurrency market. The evidence supports a mechanism, where the short- and long-term correlation structure of stochastic volatility are decoupled in order to capture its properties at different time scales. This is further backed by an analysis of the associated spot log-trading volume.