Non-stationary GARCH modelling for fitting higher order moments of financial series within moving time windows
移动时间窗口内拟合金融序列高阶矩的非平稳 GARCH 模型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：摘要直接研究金融序列的 GARCH 波动模型、高阶矩及随时间变化的非平稳参数。
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
移动时间窗口内拟合金融序列高阶矩的非平稳 GARCH 模型
- 研究问题
- GARCH(1,1) 能否拟合金融序列的多个偶数阶矩，其可拟合范围如何随条件分布设定与数据时间窗口变化？
- 方法与思路
- 作者比较高斯与双高斯条件分布，在标准化四阶和六阶矩空间构造可拟合区域，并令 GARCH 参数随时间变化。
- 材料陈述的贡献
- 摘要称双高斯分布更能拟合所研究数据的高阶矩，但可拟合性受窗口长度与分布参数限制，并据此引入时变参数描述非平稳性。
- 阅读关注点
- 应核对双高斯分布的参数化、各阶矩存在条件、移动窗口和可拟合区域的构造，以及时变参数模型的估计方式。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明完整估计与验证方案，高阶矩拟合不等于预测或风险度量改善。
原文摘要
Here, we have analysed a GARCH(1,1) model with the aim to fit higher order moments for different companies' stock prices. When we assume a gaussian conditional distribution, we fail to capture any empirical data when fitting the first three even moments of financial time series. We show instead that a double gaussian conditional probability distribution better captures the higher order moments of the data. To demonstrate this point, we construct regions (phase diagrams), in the fourth and sixth order standardised moment space, where a GARCH(1,1) model can be used to fit these moments and compare them with the corresponding moments from empirical data for different sectors of the economy. We found that the ability of the GARCH model with a double gaussian conditional distribution to fit higher order moments is dictated by the time window our data spans. We can only fit data collected within specific time window lengths and only with certain parameters of the conditional double gaussian distribution. In order to incorporate the non-stationarity of financial series, we assume that the parameters of the GARCH model have time dependence.