Least absolute deviation estimation for all-pass time series models
全通时间序列模型的最小绝对偏差估计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：摘要直接研究全通 ARMA 模型、序列依赖和非因果自回归拟合，支持时间序列分类，但未明确研究收益预测或波动率。
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…
全通时间序列模型的最小绝对偏差估计
- 研究问题
- 对于线性相关为零但在非高斯情形下并不独立的全通序列，如何估计模型参数，并解释金融数据中的复杂依赖行为？
- 方法与思路
- 作者由拉普拉斯噪声下的近似似然构造修正绝对偏差准则，允许用于其他噪声分布，并以模拟及金融数据展示应用。
- 材料陈述的贡献
- 摘要称在一般条件下建立参数估计的渐近正态性，展示全通模型模拟复杂行为的能力，并说明拟合非因果自回归的两步程序。
- 阅读关注点
- 阅读时应核对全通模型的参数识别、绝对偏差准则的修正方式、非高斯噪声条件，以及两步非因果自回归拟合的不确定性。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；“一般条件”未展开，汇率收益和成交量应用也不能据此说明收益预测或波动率优势。
原文摘要
An autoregressive moving average model in which all of the roots of the autoregressive polynomial are reciprocals of roots of the moving average polynomial and vice versa is called an all-pass time series model. All-pass models generate uncorrelated (white noise) time series, but these series are not independent in the non-Gaussian case. An approximation to the likelihood of the model in the case of Laplacian (two-sided exponential) noise yields a modified absolute deviations criterion, which can be used even if the underlying noise is not Laplacian. Asymptotic normality for least absolute deviation estimators of the model parameters is established under general conditions. Behavior of the estimators in finite samples is studied via simulation. The methodology is applied to exchange rate returns to show that linear all-pass models can mimic “nonlinear” behavior, and is applied to stock market volume data to illustrate a two-step procedure for fitting noncausal autoregressions.