Inference in Arch and Garch Models with Heavy-Tailed Errors
重尾误差下 ARCH 与 GARCH 模型的推断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：摘要明确围绕 ARCH、GARCH 的条件二阶矩及重尾金融时间序列展开，因此归入金融波动率模型的估计与推断方向。
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…
关注这篇论文的作者
重尾误差下 ARCH 与 GARCH 模型的推断
- 研究问题
- 当 ARCH 与 GARCH 模型的误差呈重尾分布时，准最大似然估计量的极限分布如何变化，应如何近似其分布以进行推断？
- 方法与思路
- 作者构造百分位 t 子样本自助法，以学生化近似尺度、用子样本自助法估计分布形状，并通过理论分析和数值研究考察其表现。
- 材料陈述的贡献
- 摘要称，重尾条件下准最大似然估计量的渐近分布非正态，标准自助法不一致；所提出的学生化子样本方法获得理论及数值支持。
- 阅读关注点
- 核对重尾的具体尾部与矩条件、非正态极限及标准自助法失效的范围，并查看子样本规模选择、学生化构造和数值比较设计。
- 阅读边界
- 摘要未说明具体尾指数、模型阶数、子样本规模规则或数值评价指标；所称良好表现不能据此扩展至所有重尾金融序列。
原文摘要
ARCH and GARCH models directly address the dependency of conditional second moments, and have proved particularly valuable in modelling processes where a relatively large degree of fluctuation is present. These include financial time series, which can be particularly heavy tailed. However, little is known about properties of ARCH or GARCH models in the heavy–tailed setting, and no methods are available for approximating the distributions of parameter estimators there. In this paper we show that, for heavy–tailed errors, the asymptotic distributions of quasi–maximum likelihood parameter estimators in ARCH and GARCH models are nonnormal, and are particularly difficult to estimate directly using standard parametric methods. Standard bootstrap methods also fail to produce consistent estimators. To overcome these problems we develop percentile–t, subsample bootstrap approximations to estimator distributions. Studentizing is employed to approximate scale, and the subsample bootstrap is used to estimate shape. The good performance of this approach is demonstrated both theoretically and numerically.