Multiple-index Nonstationary Time Series Models: Robust Estimation Theory and Practice
多指标非平稳时间序列模型：稳健估计理论与实践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：摘要直接处理趋势、平稳与单位根时间序列，并应用于股票收益可预测性；分位数只是估计工具，未明确研究分布效应。
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…
多指标非平稳时间序列模型：稳健估计理论与实践
- 研究问题
- 如何在同一多指标时间序列模型中纳入时间趋势、平稳变量和单位根过程，缓解维度问题并开展适用于多种损失函数的稳健估计？
- 方法与思路
- 作者构建参数化多指标模型，提出涵盖 OLS、LAD、Huber、分位数及期望分位数的 M 型估计，借助广义函数方法处理非光滑损失。
- 材料陈述的贡献
- 摘要称建立指标向量估计量的渐近性质，模拟评估有限样本表现，并在股票收益应用中发现多种损失度量下的较强非线性可预测性。
- 阅读关注点
- 应核对不同类型回归变量的渐近处理、指标向量的归一化与识别、多种损失的适用条件，以及收益预测是否经过样本外评价。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未列出完整条件和预测数值；可预测性陈述不足以确认样本外表现或经济收益。
原文摘要
This paper proposes a class of parametric multiple-index time series models that involve linear combinations of time trends, stationary variables and unit root processes as regressors. The inclusion of the three different types of time series, along with the use of a multiple-index structure for these variables to circumvent the curse of dimensionality, is due to both theoretical and practical considerations. The M-type estimators (including OLS, LAD, Huber's estimator, quantile and expectile estimators, etc.) for the index vectors are proposed, and their asymptotic properties are established, with the aid of the generalized function approach to accommodate a wide class of loss functions that may not be necessarily differentiable at every point. The proposed multiple-index model is then applied to study the stock return predictability, which reveals strong nonlinear predictability under various loss measures. Monte Carlo simulations are also included to evaluate the finite-sample performance of the proposed estimators.