NONPARAMETRIC INFERENCE FOR CONDITIONAL QUANTILES OF TIME SERIES
时间序列条件分位数的非参数推断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：摘要研究依赖时间序列的条件分位数推断，并明确应用于股票收益的条件风险价值，支持这两个方向。
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
时间序列条件分位数的非参数推断
- 研究问题
- 如何在不设定参数模型的情况下，对时间序列条件分位数进行假设检验与区间估计，并处理平滑估计偏差？
- 方法与思路
- 作者围绕局部多项式估计量反演条件分布函数的平滑经验似然，另构造偏差修正版，并在混合时间序列下建立理论。
- 材料陈述的贡献
- 摘要称推断无需估计方差，偏差修正版无需欠平滑；模拟表现优于正态区间，并应用于股票收益条件风险价值推断。
- 阅读关注点
- 应核对混合条件、带宽与偏差修正的要求，分布函数反演的实现方式，以及尾部分位数应用中的有效样本信息。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断极端分位数或不同依赖结构下的可靠性；模拟改善幅度和应用结果未说明。
原文摘要
This paper considers model-free hypothesis testing and confidence interval construction for conditional quantiles of time series. A new method, which is based on inversion of the smoothed empirical likelihood of the conditional distribution function around the local polynomial estimator, is proposed. The associated inferential procedures do not require variance estimation, and the confidence intervals are automatically shaped by data. We also construct the bias-corrected empirical likelihood, which does not require undersmoothing. Limit theories are developed for mixing time series. Simulations show that the proposed methods work well in finite samples and outperform the normal confidence interval. An empirical application to inference of the conditional value-at-risk of stock returns is also provided.