Least absolute deviation estimation for fractionally integrated autoregressive moving average time series models with conditional heteroscedasticity
条件异方差分数单整 ARMA 模型的最小绝对偏差估计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：摘要明确涉及分数单整时间序列、条件异方差及金融绝对收益建模，对应时间序列与波动率方向。
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…
条件异方差分数单整 ARMA 模型的最小绝对偏差估计
- 研究问题
- 如何统一估计具有条件异方差的平稳和非平稳分数单整 ARMA 模型，并处理长记忆、厚尾特征及模型诊断问题。
- 方法与思路
- 作者提出统一的最小绝对偏差估计，在误差和创新具有有限二阶矩时建立渐近正态性，并设计两个混合检验用于诊断。
- 材料陈述的贡献
- 摘要称该方法相较所讨论的替代估计更有效率且更稳健；模拟及道琼斯日收盘价绝对收益应用展示了方法的用途。
- 阅读关注点
- 应核对平稳与非平稳参数范围、条件异方差设定、二阶矩要求，以及比较估计量、两个诊断检验和金融应用的具体设计。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；厚尾应用仍需结合有限二阶矩条件，比较范围和数值结果未说明，不能声称普遍占优。
原文摘要
We consider a unified least absolute deviation estimator for stationary and nonstationary fractionally integrated autoregressive moving average models with conditional heteroscedasticity. Its asymptotic normality is established when the second moments of errors and innovations are finite. Several other alternative estimators are also discussed and are shown to be less efficient and less robust than the proposed approach. A diagnostic tool, consisting of two portmanteau tests, is designed to check whether or not the estimated models are adequate. The simulation experiments give further support to our model and the results for the absolute returns of the Dow Jones Industrial Average Index daily closing price demonstrate their usefulness in modelling time series exhibiting the features of long memory, conditional heteroscedasticity and heavy tails.