Spectral identification and estimation of mixed causal-noncausal invertible-noninvertible models
混合因果—非因果、可逆—不可逆模型的谱识别与估计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：摘要直接研究谱、双谱及因果与非因果时间序列动态；股票收益应用未明确涉及资产定价或收益预测任务。
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
混合因果—非因果、可逆—不可逆模型的谱识别与估计
- 研究问题
- 如何识别、估计和模拟同时包含因果与非因果、可逆与不可逆成分的时间序列模型，并据此选择适合数据的模型？
- 方法与思路
- 作者使用高阶累积量，将谱与双谱整合进同一估计函数，并在误差独立同分布的假设下进行模型选择。
- 材料陈述的贡献
- 摘要报告模拟中的无偏估计和较高正确选模频率；股票组合应用显示非因果动态，残差未呈现条件异方差效应。
- 阅读关注点
- 应核对高阶累积量所需的矩条件、不同模型的识别依据、选模标准，以及残差白噪声和条件异方差的检验方式。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；模拟中的无偏表现不等于一般无偏性，摘要未给出数值。
原文摘要
This paper introduces new techniques for estimating, identifying and simulating mixed causal-noncausal invertible-noninvertible models. We propose a framework that integrates high-order cumulants, merging both the spectrum and bispectrum into a single estimation function. The model that most adequately represents the data under the assumption that the error term is i.i.d. is selected. Our Monte Carlo study reveals unbiased parameter estimates and a high frequency with which correct models are identified. We illustrate our strategy through an empirical analysis of returns from 24 Fama-French emerging market stock portfolios. The findings suggest that each portfolio displays noncausal dynamics, producing white noise residuals devoid of conditional heteroscedastic effects.