On Estimation of Hurst Parameter Under Noisy Observations
含噪观测下 Hurst 参数的估计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：摘要只明确金融数据依赖性、含噪离散观测与 Hurst 参数，未说明高频采样、波动率或预测任务，暂不选细分领域。
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
含噪观测下 Hurst 参数的估计
- 研究问题
- 如何从含噪声的离散采样分数阶积分过程中估计 Hurst 参数，从而刻画数据的依赖程度，并减少噪声对估计的影响？
- 方法与思路
- 作者先用预平均减弱噪声，再通过滤波排除强依赖的影响，利用平滑后的数据估计 Hurst 参数，并以模拟考察估计表现。
- 材料陈述的贡献
- 摘要称，论文建立该估计量的一致性与渐近正态性，并进行模拟评估；可见摘要未报告具体误差、收敛速度或方法比较结果。
- 阅读关注点
- 应核对分数阶积分过程与噪声的假设、采样渐近框架、预平均窗口和滤波器设定，以及这些选择对偏差与推断的影响。
- 阅读边界
- 摘要未明确采样频率、噪声依赖结构或真实金融数据应用，也未提供模拟细节；因此不能据此判断实务稳健性或方法优势。
原文摘要
It is widely accepted that some financial data exhibit long memory or long dependence, and that the observed data usually possess noise. In the continuous time situation, the factional Brownian motion BH and its extension are an important class of models to characterize the long memory or short memory of data, and Hurst parameter H is an index to describe the degree of dependence. In this article, we estimate the Hurst parameter of a discretely sampled fractional integral process corrupted by noise. We use the preaverage method to diminish the impact of noise, employ the filter method to exclude the strong dependence, and obtain the smoothed data, and estimate the Hurst parameter by the smoothed data. The asymptotic properties such as consistency and asymptotic normality of the estimator are established. Simulations for evaluating the performance of the estimator are conducted. Supplementary materials for this article are available online.