Bootstrapping autoregressive duration models
自回归持续时间模型的自助法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：摘要以自回归条件持续时间模型、重尾与积分过程的极限理论和自助推断为核心，属于时间序列方法；持续时间建模与加密货币 ETF 应用指向高频计量。
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…
自回归持续时间模型的自助法
- 研究问题
- 摘要称，本文研究在自回归条件持续时间（ACD）模型中如何进行基于似然的自助推断，其中样本量由固定时间跨度内观测到的持续时间内生决定，并特别关注持续时间期望无穷的情形。
- 方法与思路
- 作者提出递归自助方案：一种固定时间跨度从而样本量随机，另一种固定持续时间个数从而时间跨度随机；并借助重尾与积分 ACD 过程的极限理论，建立与随机样本量更新理论相联系的自助理论。
- 材料陈述的贡献
- 摘要称，对固定个数自助证明了有限均值与边界情形下的一阶有效性，并刻画了无穷均值情形下随机的极限自助分布；作者主张即使持续时间期望无穷、经典自助一致性可能失效，自助仍有效并给出渐近正态的 t 统计量。
- 阅读关注点
- 应核对 ACD 的具体设定与识别假设、两类自助方案的构造细节、无穷均值下极限分布的推导条件，以及蒙特卡洛设计与加密货币 ETF 实证的具体做法和结论。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、证明正确性、模拟与实证的稳健程度；摘要未说明具体数据、样本区间与数值结果。该文为 arXiv 预印本，同行评审状态未经验证，不能据此声称已被期刊接收。
原文摘要
This paper develops bootstrap methods for likelihood-based inference in autoregressive conditional duration (ACD) models, where the sample size is endogenously determined by durations observed over a fixed time span. This feature fundamentally shapes the asymptotic framework, particularly so when the durations do not have finite expectation. Building on recent limit theory for heavy-tailed and integrated ACD processes, we analyze recursive bootstrap schemes that either fix the time span (yielding a random sample size) or fix the number of durations (yielding a random time span). We establish a bootstrap theory for ACD models that links naturally to renewal theory with random sample sizes. For the fixedcount bootstrap, we prove first-order validity in the finite-mean and boundary cases and characterize the random limiting bootstrap distribution in the infinite-mean case. Although classical bootstrap consistency can fail when the durations have infinite expectation, we argue that the bootstrap remains valid and yields asymptotically normal t-statistics. Monte Carlo evidence shows that the proposed methods have good finite-sample properties in both finite- and infinite-mean settings, and are robust to distributional misspecification relative to the exponential likelihood. We conclude with an empirical application to cryptocurrency ETFs.