An operator-level ARCH Model
算子层面的 ARCH 模型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：摘要研究 ARCH 时间序列的条件协方差动态，并应用于高频日内收益，对应时间序列、波动率和高频计量。
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…
算子层面的 ARCH 模型
- 研究问题
- 对一般可分 Hilbert 空间中的时间序列，如何让 ARCH 模型刻画完整条件协方差算子的演化，而不局限于逐点条件方差？
- 方法与思路
- 作者定义算子层面 ARCH 框架，在简化的常条件相关版本下研究平稳性、矩与弱序列依赖，并构造 Yule–Walker 型参数估计量。
- 材料陈述的贡献
- 摘要称该框架扩展了函数型 ARCH 的协方差描述，给出简化模型的存在与一致估计结果，并用模拟和高频日内累积收益展示应用。
- 阅读关注点
- 应核对协方差算子递推的合法性、常条件相关限制，以及平稳性条件、无限维参数估计和实际截断实现之间的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要中的理论结果针对简化版本，未说明能否推广至完整模型及具体应用表现。
原文摘要
AutoRegressive Conditional Heteroscedasticity (ARCH) models are standard for modeling time series exhibiting volatility, with a rich literature in univariate and multivariate settings. In recent years, these models have been extended to function spaces. However, functional ARCH and generalized ARCH (GARCH) processes established in the literature have thus far been restricted to model ``pointwise'' variances. In this paper, we propose a new ARCH framework for data residing in general separable Hilbert spaces that accounts for the full evolution of the conditional covariance operator. We define a general operator-level ARCH model. For a simplified Constant Conditional Correlation version of the model, we establish conditions under which such models admit strictly and weakly stationary solutions, finite moments, and weak serial dependence. Additionally, we derive consistent Yule--Walker-type estimators of the infinite-dimensional model parameters. The practical relevance of the model is illustrated through simulations and a data application to high-frequency cumulative intraday returns.