Applying the Polynomial Maximization Method to Estimate ARIMA Models with Asymmetric Non-Gaussian Innovations
用多项式最大化方法估计具有非对称非高斯新息的 ARIMA 模型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：摘要直接研究 ARIMA 时间序列参数估计，金融市场仅作为应用背景，未研究专门的金融计量目标。
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
用多项式最大化方法估计具有非对称非高斯新息的 ARIMA 模型
- 研究问题
- 当时间序列新息具有非对称、非高斯分布时，如何估计 ARIMA 参数，并评估相对于经典方法的精度与计算成本？
- 方法与思路
- 作者提出二阶多项式最大化方法 PMM2，利用高阶矩与累积量进行半参数估计，并在多种新息分布和样本规模下模拟比较。
- 材料陈述的贡献
- 摘要称，PMM2 在所考察的非对称新息情形下提高估计效率，在高斯情形下达到 OLS 的效率，计算成本与 MLE 相近。
- 阅读关注点
- 应核对所需矩条件、累积量估计方式和效率比较口径，尤其关注厚尾下高阶矩是否存在，以及不同 ARIMA 阶数下的表现。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；模拟优势不能外推至所有分布，经典估计依赖高斯性的表述也需核对。
原文摘要
Classical estimators for ARIMA parameters (MLE, CSS, OLS) assume Gaussian innovations, an assumption frequently violated in financial and economic data exhibiting asymmetric distributions with heavy tails. We develop and validate the second-order polynomial maximization method (PMM2) for estimating ARIMA$(p,d,q)$ models with non-Gaussian innovations. PMM2 is a semiparametric technique that exploits higher-order moments and cumulants without requiring full distributional specification. Monte Carlo experiments (128,000 simulations) across sample sizes $N \in \{100, 200, 500, 1000\}$ and four innovation distributions demonstrate that PMM2 substantially outperforms classical methods for asymmetric innovations. For ARIMA(1,1,0) with $N=500$, relative efficiency reaches 1.58--1.90 for Gamma, lognormal, and $χ^2(3)$ innovations (37--47\% variance reduction). Under Gaussian innovations PMM2 matches OLS efficiency, avoiding the precision loss typical of robust estimators. The method delivers major gains for moderate asymmetry ($|γ_3| \geq 0.5$) and $N \geq 200$, with computational costs comparable to MLE. PMM2 provides an effective alternative for time series with asymmetric innovations typical of financial markets, macroeconomic indicators, and industrial measurements. Future extensions include seasonal SARIMA models, GARCH integration, and automatic order selection.