RANK-BASED ESTIMATION FOR GARCH PROCESSES
GARCH 过程的秩估计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。
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 GARCH 条件异方差参数，并应用于汇率对数收益的波动建模。
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
GARCH 过程的秩估计
- 研究问题
- 如何利用残差的秩估计 GARCH 参数，并处理零参数情形，同时评估其稳健性、效率以及阶数选择用途？
- 方法与思路
- 作者通过最小化基于秩的残差离散程度函数获得估计量，其中部分参数是常规 GARCH 参数的尺度变换。
- 材料陈述的贡献
- 摘要称给出了内部点和部分参数为零时的极限分布，并论证稳健性及条件性的效率性质，辅以模拟和汇率收益应用。
- 阅读关注点
- 应核对尺度变换如何还原常规参数、零参数时的极限分布，以及稳健性定义和达到最大似然效率的具体条件。
- 阅读边界
- 仅据所给 Crossref 版本摘要，不能断言秩估计普遍优于准最大似然；效率比较条件与数值结果未说明，版本变化亦未知。
原文摘要
We consider a rank-based technique for estimating generalized autoregressive conditionally heteroskedastic (GARCH) model parameters, some of which are scale transformations of conventional GARCH parameters. The estimators are obtained by minimizing a rank-based residual dispersion function similar to the one given in Jaeckel (1972, Annals of Mathematical Statistics 43, 1449–1458). They are useful for GARCH order selection and preliminary estimation. We give a limiting distribution for the rank estimators that holds when the true parameter vector is in the interior of its parameter space and when some GARCH parameters are zero. The limiting theory is used to show that the rank estimators are robust, can have the same asymptotic efficiency as maximum likelihood estimators, and are relatively efficient compared to traditional Gaussian and Laplace quasi-maximum likelihood estimators. The behavior of the estimators for finite samples is studied via simulation, and we use rank estimation to fit a GARCH model to exchange rate log-returns.