Adaptive stable distribution and Hurst exponent by method of moments moving estimator for nonstationary time series
非平稳时间序列中稳定分布与 Hurst 指数的自适应移动矩估计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。
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：摘要明确研究非平稳时间序列，并在金融指数数据上估计控制极端事件概率的尾部参数，因此选择时间序列与尾部风险方向。
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
非平稳时间序列中稳定分布与 Hurst 指数的自适应移动矩估计
- 研究问题
- 面对非平稳时间序列，如何让稳定分布参数与 Hurst 指数的估计随时间更新，并刻画金融序列位置、尺度和尾部形态的变化？
- 方法与思路
- 作者使用历史观测权重指数衰减的局部似然思路，并通过绝对中心矩的指数移动平均更新参数，应用于稳定分布及 Hurst 指数估计。
- 材料陈述的贡献
- 摘要提出移动估计方法，并在道琼斯工业平均指数序列上展示位置、尺度与稳定分布尾部参数的演化，以描述极端事件概率相关特征。
- 阅读关注点
- 应核对衰减参数的选择、所用矩在不同稳定分布下是否存在，以及尾部参数与 Hurst 指数的联系，检查金融数据的变换和评价方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明一致性、适用参数范围或数值比较，不能据此确认方法消除了模型偏差。
原文摘要
Nonstationarity of real-life time series requires model adaptation. In classical approaches like ARMA-ARCH there is assumed some arbitrarily chosen dependence type. To avoid their bias, we will focus on novel more agnostic approach: moving estimator, which estimates parameters separately for every time $t$: optimizing $F_t=\sum_{τ<t} (1-η)^{t-τ} \ln(ρ_θ(x_τ))$ local log-likelihood with exponentially weakening weights of the old values. In practice such moving estimates can be found by EMA (exponential moving average) of some parameters, like $m_p=E[|x-μ|^p]$ absolute central moments, updated by $m_{p,t+1} = m_{p,t} + η(|x_t-μ_t|^p-m_{p,t})$. We will focus here on its applications for alpha-Stable distribution, which also influences Hurst exponent, hence can be used for its adaptive estimation. Its application will be shown on financial data as DJIA time series - beside standard estimation of evolution of center $μ$ and scale parameter $σ$, there is also estimated evolution of $α$ parameter allowing to continuously evaluate market stability - tails having $ρ(x) \sim 1/|x|^{α+1}$ behavior, controlling probability of potentially dangerous extreme events.