Maximum entropy autoregressive conditional heteroskedasticity model
最大熵自回归条件异方差模型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：摘要明确扩展金融收益的ARCH条件分布，重点是条件异方差模型中的偏态与峰度刻画。
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
最大熵自回归条件异方差模型
- 研究问题
- 当正态或Student t条件分布不足以描述金融收益的偏态、超额峰度和尖峰特征时，如何扩展ARCH模型的条件密度？
- 方法与思路
- 作者利用最大熵原理构造一般密度，从数据中提取矩函数，并提出选择适当矩函数的检验程序，以纽约证券交易所股票收益作示例。
- 材料陈述的贡献
- 摘要称，该方法能同时纳入非对称性、超额峰度与尖峰特征；应用结果表明，使用较少矩函数即可较有效地描述相关典型事实。
- 阅读关注点
- 阅读全文时应核对最大熵密度存在的条件、矩函数的提取与筛选方式，以及条件方差动态和密度形状参数如何共同估计。
- 阅读边界
- 仅据所给出版社摘要，无法判断相对常用ARCH设定的稳健优势；摘要未说明矩函数清单、检验性质或实证拟合改善幅度。
原文摘要
In many applications, it has been found that the autoregressive conditional heteroskedasticity (ARCH) model under the conditional normal or Student's t distributions are not general enough to account for the excess kurtosis in the data. Moreover, asymmetry in the financial data is rarely modeled in a systematic way. In this paper, we suggest a general density function based on the maximum entropy (ME) approach that takes account of asymmetry, excess kurtosis and also of high peakedness. The ME principle is based on the efficient use of available information, and as is well known, many of the standard family of distributions can be derived from the ME approach. We demonstrate how we can extract information functional from the data in the form of moment functions. We also propose a test procedure for selecting appropriate moment functions. Our procedure is illustrated with an application to the NYSE stock returns. The empirical results reveal that the ME approach with a fewer moment functions leads to a model that captures the stylized facts quite effectively.