Autoregressive conditional duration modelling of high frequency data
高频数据的自回归条件持续时间建模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：摘要明确以SPY高频交易持续时间和自回归条件持续时间模型为研究对象。
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
高频数据的自回归条件持续时间建模
- 研究问题
- 高频交易持续时间在自回归条件持续时间框架下应采用何种分布，无条件持续时间与模型创新项的分布如何区分？
- 方法与思路
- 作者在自回归条件持续时间模型中比较不同持续时间分布设定，并以SPY交易持续时间检验指数、威布尔与伽马设定的拟合。
- 材料陈述的贡献
- 摘要称无条件持续时间接近伽马分布，且采用伽马分布创新项的模型，对SPY持续时间的拟合优于所比较的两类分布。
- 阅读关注点
- 应核对交易持续时间的定义、交易时段处理、模型阶数和拟合评价指标，并区分无条件分布证据与创新项分布设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明样本区间、检验细节和预测表现，拟合结论限于所述比较。
原文摘要
This paper explores the duration dynamics modelling under the Autoregressive Conditional Durations (ACD) framework (Engle and Russell 1998). I test different distributions assumptions for the durations. The empirical results suggest unconditional durations approach the Gamma distributions. Moreover, compared with exponential distributions and Weibull distributions, the ACD model with Gamma distributed innovations provide the best fit of SPY durations.