Estimating Jump Activity Using Multipower Variation
利用多幂变差估计跳跃活跃度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：摘要明确利用高频观测和已实现多幂变差分析跳跃，并应用于比特币，因此归入高频计量。
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
利用多幂变差估计跳跃活跃度
- 研究问题
- 如何利用高频离散观测估计半鞅的跳跃活跃度指数，并判断过程是否含连续鞅成分，从而刻画比特币的跳跃结构？
- 方法与思路
- 作者比较不同的已实现多幂变差，构造跳跃活跃度指数估计量，并据此判断连续鞅成分是否存在，开展比特币的非参数实证分析。
- 材料陈述的贡献
- 摘要称该方法能估计跳跃活跃度并辨别连续鞅成分；比特币应用支持高活跃度纯跳跃过程的描述，与含布朗运动成分的传统货币不同。
- 阅读关注点
- 阅读全文时应核对多幂变差的选取与渐近条件、区分连续成分和高活跃跳跃的依据，并检查比特币结论对采样频率及观测噪声的敏感性。
- 阅读边界
- 摘要未说明样本区间、交易平台、观测噪声处理或推断误差；比特币的纯跳跃结论来自文中实证分析，不能据此认定为普遍事实。
原文摘要
Realized multipower variation, originally introduced to eliminate jumps, can be extremely useful for inference in pure-jump models. This article shows how to build a simple and precise estimator of the jump activity index of a semimartingale observed at a high frequency by comparing different multipowers. The novel methodology allows to infer whether a discretely observed process contains a continuous martingale component. The empirical part of the article undertakes a nonparametric analysis of the jump activity of bitcoin and shows that bitcoin is a pure jump process with high jump activity, which is critically different from conventional currencies that include a Brownian motion component.