Testing for linear autoregressive dynamics under heteroskedasticity
异方差下线性自回归动态的检验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：摘要同时研究自回归动态检验，以及GARCH、TGARCH和随机波动率下的异方差影响。
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
异方差下线性自回归动态的检验
- 研究问题
- 金融收益存在异方差时，如何可靠检验线性自回归成分，波动率模型误设会怎样影响常用参数推断？
- 方法与思路
- 作者在GARCH、TGARCH和随机波动率设定下比较自回归检验，并考察最小二乘统计量的bootstrap版本及德国股票应用。
- 材料陈述的贡献
- 摘要称，波动率误设损害标准准最大似然推断；bootstrap最小二乘检验尺寸更好、功效相当，实证p值差异明显。
- 阅读关注点
- 应核对自回归原假设、波动率参数和误设方案、bootstrap重抽样机制，以及尺寸与功效比较是否使用一致标准。
- 阅读边界
- 摘要未列出具体重抽样方案、模拟规模和改善幅度；不同检验的p值差异本身不能确定哪些股票收益真正存在自回归。
原文摘要
A puzzling characteristic of asset returns for various frequencies is the often observed positive autocorrelation at lag one. To some extent this can be explained by standard asset pricing models when assuming time-varying risk premia. However, one often finds better results when directly fitting an autoregressive model, for which there is little economic foundation. One may ask whether the underlying process does in fact contain an autoregressive component. It is therefore of interest to have a statistical test at hand that performs well under the stylized facts of financial returns. In this paper, we investigate empirical properties of competing devices to test for autoregressive dynamics in case of heteroskedastic errors. For the volatility process we assume GARCH, TGARCH and stochastic volatility. The results indicate that standard quasi-maximum-likelihood inference for the autoregressive parameter is negatively affected by misspecification of the volatility process. We show that bootstrapped versions of least-squares-based statistics have better empirical size and comparable power properties. Applied to German stock return data, the alternative tests yield very different p-values for a considerable number of stock return processes.