A FUNCTIONAL VERSION OF THE ARCH MODEL
ARCH 模型的函数型扩展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：摘要以高分辨率逐笔金融数据为背景提出函数型 ARCH，直接关联波动率建模与高频金融数据分析。
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…
ARCH 模型的函数型扩展
- 研究问题
- 当高分辨率金融观测适合用整条函数描述时，如何将 ARCH 模型扩展到函数空间，并建立平稳性和估计理论？
- 方法与思路
- 作者提出函数型 ARCH 模型，研究严格平稳解的存在条件、弱依赖与矩条件，证明估计量一致性并提供小规模实证。
- 材料陈述的贡献
- 摘要称建立函数型 ARCH 的平稳解、依赖及矩条件，并证明估计一致性；实证研究用于说明模型与真实数据的匹配。
- 阅读关注点
- 应核对函数空间和波动递推算子的定义、平稳解存在条件，以及离散高频观测如何转化为函数并用于估计。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断函数离散化误差、估计收敛率或经验拟合优势；小规模应用的具体结果未说明。
原文摘要
Improvements in data acquisition and processing techniques have led to an almost continuous flow of information for financial data. High-resolution tick data are available and can be quite conveniently described by a continuous-time process. It is therefore natural to ask for possible extensions of financial time series models to a functional setup. In this paper we propose a functional version of the popular autoregressive conditional heteroskedasticity model. We will establish conditions for the existence of a strictly stationary solution, derive weak dependence and moment conditions, show consistency of the estimators, and perform a small empirical study demonstrating how our model matches with real data.