Estimating the Marginal Law of a Time Series With Applications to Heavy-Tailed Distributions
时间序列边际分布的估计及其在重尾分布中的应用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：摘要明确研究平稳时间序列的参数化边际密度及依赖结构对估计的影响，因此归入时间序列方向；金融收益作为理论说明。
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
时间序列边际分布的估计及其在重尾分布中的应用
- 研究问题
- 当平稳时间序列的动态结构缺乏准确信息时，能否直接估计参数化边际密度，且被忽略的动态关系如何影响估计量性质？
- 方法与思路
- 作者最大化将观测视为独立的“拟边际”似然，研究忽略动态依赖后的渐近行为，并应用于稳定、广义极值与广义帕累托分布。
- 材料陈述的贡献
- 摘要称，在较弱依赖结构假设下，该估计量一致且渐近正态；文章提出相关分布的估计应用，并以金融指数收益说明理论结果。
- 阅读关注点
- 核对平稳性与依赖条件、边际密度设定、渐近方差中动态依赖的处理，以及各分布应用和金融收益示例的具体设定。
- 阅读边界
- 摘要未列出依赖条件、参数范围和收益数据细节；将观测视为独立不表示实际独立，仍需核对依赖对标准误与推断的影响。
原文摘要
This article addresses estimating parametric marginal densities of stationary time series in the absence of precise information on the dynamics of the underlying process. We propose using an estimator obtained by maximization of the “quasi-marginal” likelihood, which is a likelihood written as if the observations were independent. We study the effect of the (neglected) dynamics on the asymptotic behavior of this estimator. The consistency and asymptotic normality of the estimator are established under mild assumptions on the dependence structure. Applications of the asymptotic results to the estimation of stable, generalized extreme value and generalized Pareto distributions are proposed. The theoretical results are illustrated on financial index returns. Supplementary materials for this article are available online.