Extremal Dependence-Based Specification Testing of Time Series
基于极端依赖的时间序列模型设定检验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：摘要直接检验时间序列残差的极端依赖，并以股票数据说明其对风险预测的意义，对应时间序列和尾部风险。
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
基于极端依赖的时间序列模型设定检验
- 研究问题
- 条件位置—尺度模型的标准化残差是否仍有序列极端依赖，能否据此发现常规自相关检验遗漏且影响风险预测的设定问题？
- 方法与思路
- 作者比较不同滞后下残差的预渐近尾部 copula 与序列独立情形，构造仅依赖标准化残差的 Portmanteau 型检验。
- 材料陈述的贡献
- 摘要称统计量具有不含滋扰参数的渐近极限；模拟与标普 500 成分股应用显示，它可发现常规检验遗漏的残差依赖。
- 阅读关注点
- 应核对尾部阈值、滞后选择和参数估计误差的影响，并检查无滋扰参数极限的条件及对不同尾部备择的检验功效。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，无法判断对所有残差依赖的检测能力或风险预测改善幅度，具体条件未说明，未核对刊本变化。
原文摘要
We propose a specification test for conditional location–scale models based on extremal dependence properties of the standardized residuals. We do so comparing the left-over serial extremal dependence—as measured by the pre-asymptotic tail copula—with that arising under serial independence at different lags. Our main theoretical results show that the proposed Portmanteau-type test statistics have nuisance parameter-free asymptotic limits. The test statistics are easy to compute, as they only depend on the standardized residuals, and critical values are likewise easily obtained from the limiting distributions. This contrasts with some extant tests (based, e.g., on autocorrelations of squared residuals), where test statistics depend on the parameter estimator of the model and critical values may need to be bootstrapped. We show that our tests perform well in simulations. An empirical application to S&P 500 constituents illustrates that our tests can uncover violations of residual serial independence that are not picked up by standard autocorrelation-based specification tests, yet are relevant when the model is used for, for example, risk forecasting.