A Student t-mixture autoregressive model with applications to heavy-tailed financial data
Student t 混合自回归模型及其在厚尾金融数据中的应用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：摘要明确研究金融自回归时间序列，并将序列相关和时变波动率作为模型刻画对象。
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
Student t 混合自回归模型及其在厚尾金融数据中的应用
- 研究问题
- 如何在金融时间序列中同时描述序列相关、时变均值与波动率，以及条件分布尾部厚度和峰数的动态变化？
- 方法与思路
- 作者构造 Student t 混合自回归模型，各分量采用 t 分布误差，并提供参数估计与模型选择方法及实例。
- 材料陈述的贡献
- 摘要称，模型可容纳多种条件分布形态，其条件尖峰厚尾分布能够解释金融数据中常见的无条件超额峰度。
- 阅读关注点
- 应核对混合权重的设定、动态稳定性与参数识别条件，以及尾部和波动率如何变化、估计与模型选择如何实施。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未提供稳定性条件、估计算法细节或实例结果，不能判断预测与风险度量表现。
原文摘要
We introduce the class of Student t-mixture autoregressive models, which is promising for financial time series modelling. The model is able to capture serial correlations, time-varying means and volatilities, and the shape of the conditional distributions can be time varied from short-tailed to long-tailed, or from unimodal to multimodal. The use of t-distributed errors in each component of the model allows conditional leptokurtic distributions that account for the commonly observed excess unconditional kurtosis in financial data. Methods of parameter estimation and model selection are given. Finally, the proposed modelling procedure is illustrated through a real example.