Optimal Predictions of Powers of Conditionally Heteroscedastic Processes
条件异方差过程幂函数的最优预测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：摘要明确研究条件异方差过程、波动率估计与股票指数绝对值函数的预测。
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
条件异方差过程幂函数的最优预测
- 研究问题
- 在条件异方差模型中，如何预测绝对值的幂或对数，并比较先估波动率再估创新期望与直接一步估计的准确性？
- 方法与思路
- 作者比较基于波动率和标准化创新经验均值的两步法，以及采用适当非高斯拟极大似然的一步法，并建立渐近性质。
- 材料陈述的贡献
- 摘要称两种方法的准确性差异可能显著，取决于预测目标和创新分布；渐近比较、数值实验及主要股票指数应用提供说明。
- 阅读关注点
- 应核对最优预测所依据的目标与信息集、创新独立性和矩条件，以及一步拟似然的选择和两步估计误差的传递。
- 阅读边界
- 仅据Crossref所给摘要；具体模型、矩条件和比较数值未说明，不能断言一步法始终更优，也不能将结论直接扩为收益均值预测。
原文摘要
Summary In conditionally heteroscedastic models, the optimal prediction of powers, or logarithms, of the absolute value has a simple expression in terms of the volatility and an expectation involving the independent process. A natural procedure for estimating this prediction is to estimate the volatility in the first step, for instance by Gaussian quasi-maximum-likelihood or by least absolute deviations, and to use empirical means based on rescaled innovations to estimate the expectation in the second step. The paper proposes an alternative one-step procedure, based on an appropriate non-Gaussian quasi-maximum-likelihood estimator, and establishes the asymptotic properties of the two approaches. Asymptotic comparisons and numerical experiments show that the differences in accuracy can be important, depending on the prediction problem and the innovations distribution. An application to indices of major stock exchanges is given.