Exploiting tail shape biases to discriminate between stable and student t alternatives
利用尾形估计偏差区分稳定分布与 Student t 分布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：摘要研究金融资产收益的厚尾、尾形估计与尾部分布判别，直接对应金融风险中的尾部方向。
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
利用尾形估计偏差区分稳定分布与 Student t 分布
- 研究问题
- 为何用非正态稳定分布与 Student t 分布拟合金融资产收益厚尾时，尾形估计会给出相互冲突的信号，如何据此区分两类分布？
- 方法与思路
- 作者利用两类分布下尾形估计偏差方向相反的特点进行判别，并构造二阶尺度参数的符号估计量辅助区分；具体估计公式摘要未说明。
- 材料陈述的贡献
- 摘要称资产收益数据的尾部估计与有限方差 Student t 数据及 GARCH 过程产生的偏差相符，二阶尺度参数的符号估计量进一步强化区分结果。
- 阅读关注点
- 核对尾形估计量及二阶偏差项的推导、符号估计量的适用条件与尾部阈值选择，并查看 GARCH 依赖如何影响分布判别。
- 阅读边界
- 摘要未说明资产样本、尾部阈值、判别误差与序列依赖的处理；偏差模式吻合的报告不足以确认真实收益分布或覆盖所有厚尾模型。
原文摘要
Summary The nonnormal stable laws and Student t distributions are used to model the unconditional distribution of financial asset returns, as both models display heavy tails. The relevance of the two models is subject to debate because empirical estimates of the tail shape conditional on either model give conflicting signals. This stems from opposing bias terms. We exploit the biases to discriminate between the two distributions. A sign estimator for the second‐order scale parameter strengthens our results. Tail estimates based on asset return data match the bias induced by finite‐variance unconditional Student t data and the generalized autoregressive conditional heteroscedasticity process.