An automatic Portmanteau test for serial correlation
序列相关的自动 Portmanteau 检验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：摘要核心是序列自相关检验及其自动选阶与渐近分布；金融模型仅作为模拟对象，最直接对应时间序列方向。
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…
序列相关的自动 Portmanteau 检验
- 研究问题
- 如何构造无需预先指定自相关检验阶数、且能容许未知形式条件异方差的序列相关检验，同时简化临界值计算？
- 方法与思路
- 作者提出数据驱动的 Box-Pierce 检验，自动选择所检验的自相关阶数，并使用一自由度卡方渐近零分布。
- 材料陈述的贡献
- 摘要称，方法实施简单、无需 bootstrap 临界值且对未知条件异方差稳健；金融常用模型的模拟中显示较高功效。
- 阅读关注点
- 应核对自动选阶规则、卡方极限成立条件，以及条件异方差稳健性的范围和模拟中尺寸、功效的比较方式。
- 阅读边界
- 仅据所给出版社摘要，无法判断序列依赖与矩条件要求、选择规则细节或功效提升幅度，模拟结论不能视为普遍优势。
原文摘要
This article introduces a data-driven Box-Pierce test for serial correlation. The proposed test is very attractive compared to the existing ones. In particular, implementation of this test is extremely simple for two reasons: first, the researcher does not need to specify the order of the autocorrelation tested, since the test automatically chooses this number; second, its asymptotic null distribution is chi-square with one degree of freedom, so there is no need of using a bootstrap procedure to estimate the critical values. In addition, the test is robust to the presence of conditional heteroskedasticity of unknown form. Finally, the proposed test presents higher power in simulations than the existing ones for models commonly employed in empirical finance.