EFFICIENT ESTIMATION USING THE CHARACTERISTIC FUNCTION
利用特征函数的有效估计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：摘要核心是通用特征函数矩估计与调参，单一 CIR 模拟不足以确定金融细分领域。
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
利用特征函数的有效估计
- 研究问题
- 研究利用特征函数信息的连续矩广义矩估计如何选择正则化参数，以改善有限样本均方误差并保留已有的渐近效率。
- 方法与思路
- 作者通过估计量的高阶展开刻画近似均方误差与正则化参数的关系，再最小化其估计值，得到数据驱动的参数选择方法。
- 材料陈述的贡献
- 摘要称所提方法可一致估计最优正则化参数，并保持 CGMM 估计的一致性、渐近正态性和效率，另以 CIR 模型开展模拟。
- 阅读关注点
- 应核对近似均方误差的展开与估计方式、最优参数的定义及变化尺度，以及数据驱动选择保持效率所需的正则条件。
- 阅读边界
- 所给 Crossref 摘要未提供误差展开、优化实现及模拟数值；基于 CIR 模型的示例不足以判断其他模型中的有限样本收益。
原文摘要
The method of moments procedure proposed by Carrasco and Florens (2000) permits full exploitation of the information contained in the characteristic function and yields an estimator which is asymptotically as efficient as the maximum likelihood estimator. However, this estimation procedure depends on a regularization or tuning parameter α that needs to be selected. The aim of the present paper is to provide a way to optimally choose α by minimizing the approximate mean square error (AMSE) of the estimator. Following an approach similar to that of Donald and Newey (2001), we derive a higher-order expansion of the estimator from which we characterize the finite sample dependence of the AMSE on α . We propose to select the regularization parameter by minimizing an estimate of the AMSE. We show that this procedure delivers a consistent estimator of α . Moreover, the data-driven selection of the regularization parameter preserves the consistency, asymptotic normality, and efficiency of the CGMM estimator. Simulation experiments based on a CIR model show the relevance of the proposed approach.