Predictive quantile regressions under persistence and conditional heteroskedasticity
持久性与条件异方差下的预测分位数回归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：摘要同时明确预测分位数回归、持久或非平稳时间序列变量，以及股票收益可预测性，对应收益预测、分布和时间序列。
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
持久性与条件异方差下的预测分位数回归
- 研究问题
- 预测变量高度持久甚至非平稳、误差存在条件异方差时，如何修正预测分位数回归的区间和检验，减少推断失真？
- 方法与思路
- 作者提出检验尺寸校正的 bootstrap 推断，避免估计复杂的干扰参数，并研究非平稳预测变量与条件异方差创新下的一致性。
- 材料陈述的贡献
- 摘要称，所提 bootstrap 具有一致性，模拟中的检验尺寸表现显著改善；作者还重新考察了股票收益的分位数可预测性。
- 阅读关注点
- 应核对持久性和异方差的允许范围、bootstrap 重抽样及尺寸校正步骤，并比较尺寸改善是否伴随功效或区间长度变化。
- 阅读边界
- 仅据所列出版社摘要，具体过程假设、模拟数值及股票收益应用结论未说明；检验尺寸改善不等同于预测准确度提高。
原文摘要
This paper provides an improved inference for predictive quantile regressions with persistent predictors and conditionally heteroskedastic errors. The confidence intervals based on conventional quantile regression techniques are not valid when predictors are highly persistent. Moreover, the conditional heteroskedasticity introduces rather complicated nuisance parameters in the limit theory, whose estimation errors can be another source of distortion. We propose a size-corrected bootstrap inference thereby avoiding the nuisance parameter estimation. The bootstrap consistency is shown even with the nonstationary predictors and conditionally heteroskedastic innovations. Monte Carlo simulation confirms the significantly better test size performances of the new methods. The empirical exercises on stock return quantile predictability are revisited.