Asymptotic Bias for Quasi-Maximum-Likelihood Estimators in Conditional Heteroskedasticity Models
条件异方差模型中准极大似然估计量的渐近偏差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：摘要明确研究条件异方差与 GARCH 条件方差参数，因此归入波动率；未说明特定资产市场或收益预测应用。
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…
条件异方差模型中准极大似然估计量的渐近偏差
- 研究问题
- 条件异方差模型采用非高斯准极大似然估计时，什么条件保证一致性所需的识别，非对称创新密度会带来怎样的问题？
- 方法与思路
- 作者分析零条件均值、对称性与识别条件的关系，并考察加入创新密度位置参数后，GARCH 条件方差参数的估计效率。
- 材料陈述的贡献
- 摘要称零条件均值或对称性可满足识别条件；非对称时需增加位置参数，而对称时为 GARCH 方差估计增加该参数不损失效率。
- 阅读关注点
- 应核对创新分布与准似然设定、识别条件、位置参数如何进入模型，以及对称情形下无效率损失结论的适用范围。
- 阅读边界
- 摘要未给出识别条件的完整形式、对称性定义或渐近偏差公式；题名中的偏差问题及效率结论的条件需由全文核对。
原文摘要
For conditional heteroskedasticity models, the authors study the identification condition that is required for consistency of a non-Gaussian quasi-maximum-likelihood estimator. They show that, if the conditional mean is zero or if a symmetry condition is satisfied, then the identification condition is satisfied. Without symmetry, an additional parameter, for the location of the innovation density, must be added for identification. For the conditional variance parameters of a GARCH process, there is no efficiency loss from adding the parameter under symmetry, when the parameter is not needed.