Robustified Gaussian quasi-BIC for volatility
用于波动率模型的稳健化高斯拟贝叶斯信息准则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：摘要明确以连续波动率回归及其稳健模型选择为对象，直接对应波动率方向，未提供其他金融任务的依据。
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
用于波动率模型的稳健化高斯拟贝叶斯信息准则
- 研究问题
- 在非遍历连续波动率回归受到有限活动跳跃污染时，如何构造稳健的模型比较准则，并正确选择波动率参数模型？
- 方法与思路
- 作者对常规高斯拟似然施加密度幂加权和基于Hölder不等式的归一化，构造两种Schwarz型模型选择统计量。
- 材料陈述的贡献
- 摘要称，两种准则对最小真实参数化波动率系数具有模型选择一致性，并通过数值实验展示相关理论结论。
- 阅读关注点
- 应核对两种准则的惩罚形式、加权与归一化参数，以及跳跃污染、非遍历性和最小真实模型各自对应的理论条件。
- 阅读边界
- 这是arXiv预印本，同行评审或接收未核实；摘要未说明一致性条件和实验数值，不能据此判断有限样本优势。
原文摘要
We develop a theoretical foundation for robust model comparison in a class of non-ergodic continuous volatility regression models contaminated by finite-activity jumps. Using the density-power weighting and the Hölder(-inequality)-based normalization of the conventional Gaussian quasi-likelihood function, we propose two Schwarz-type statistics and also establish their model selection consistency with respect to the minimal true parametric volatility coefficient. Numerical experiments are conducted to illustrate our theoretical findings.