Adaptive Random Bandwidth for Inference in CAViaR Models
用于 CAViaR 模型推断的自适应随机带宽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：摘要聚焦条件在险价值模型 CAViaR 的条件密度估计与风险模型推断。
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
用于 CAViaR 模型推断的自适应随机带宽
- 研究问题
- CAViaR 模型中条件密度随时间变化时，既有密度估计为何可能导致 Wald 检验失准，如何改善检验所需的密度估计？
- 方法与思路
- 作者提出自适应随机带宽方法，近似时变条件密度，并结合模型参数估计量的渐近正态性开展 Wald 检验推断。
- 材料陈述的贡献
- 摘要称该方法可稳健近似时变条件密度，避免选择最优带宽，并可扩展至多元分位数回归；未给具体检验结果。
- 阅读关注点
- 应核对随机带宽的生成规则、条件密度近似的有效条件、检验尺寸的评价设计，以及多元分位数扩展的技术要求。
- 阅读边界
- 所据为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未提供完整正则条件和尺寸数值，不能判断改进范围。
原文摘要
This paper investigates the size performance of Wald tests for CAViaR models (Engle and Manganelli, 2004). We find that the usual estimation strategy on test statistics yields inaccuracies. Indeed, we show that existing density estimation methods cannot adapt to the time-variation in the conditional probability densities of CAViaR models. Consequently, we develop a method called adaptive random bandwidth which can approximate time-varying conditional probability densities robustly for inference testing on CAViaR models based on the asymptotic normality of the model parameter estimator. This proposed method also avoids the problem of choosing an optimal bandwidth in estimating probability densities, and can be extended to multivariate quantile regressions straightforward.