Jump Regressions
跳跃回归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：摘要以高频观测研究两个过程的跳跃依赖，并应用于市场跳跃贝塔的时间稳定性检验，直接对应高频计量。
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…
关注这篇论文的作者
跳跃回归
- 研究问题
- 如何利用固定时间区间的高频观测研究两个过程的跳跃依赖，检验线性跳跃关系是否随跳跃大小或时间变化，并提高估计效率？
- 方法与思路
- 作者围绕检测到的少数跳跃构造线性关系稳定性检验，并依据跳跃时点附近的扩散波动率进行最优加权，估计线性跳跃回归。
- 材料陈述的贡献
- 摘要称检验对非线性及时间不稳定性具有检验力，估计量达到线性模型的半参数效率下界；框架涵盖确定与随机跳跃到达，并应用于市场跳跃贝塔。
- 阅读关注点
- 应核对跳跃检测与局部波动率估计条件、固定时间区间下的渐近设定，以及稳定性检验和效率下界分别适用于哪些跳跃模型。
- 阅读边界
- 渐近有效性和效率结论依赖正文条件；摘要未说明采样噪声、不同步交易等高频数据问题如何处理，也未给出市场应用的检验结果。
原文摘要
We develop econometric tools for studying jump dependence of two processes from high‐frequency observations on a fixed time interval. In this context, only segments of data around a few outlying observations are informative for the inference. We derive an asymptotically valid test for stability of a linear jump relation over regions of the jump size domain. The test has power against general forms of nonlinearity in the jump dependence as well as temporal instabilities. We further propose an efficient estimator for the linear jump regression model that is formed by optimally weighting the detected jumps with weights based on the diffusive volatility around the jump times. We derive the asymptotic limit of the estimator, a semiparametric lower efficiency bound for the linear jump regression, and show that our estimator attains the latter. The analysis covers both deterministic and random jump arrivals. In an empirical application, we use the developed inference techniques to test the temporal stability of market jump betas.