SEQUENTIAL CHANGE-POINT DETECTION IN GARCH(p,q) MODELS
GARCH(p,q) 模型的序贯变点检测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：摘要直接讨论 GARCH 波动模型的参数变点和非线性时间序列的序贯监测。
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…
GARCH(p,q) 模型的序贯变点检测
- 研究问题
- 如何在线监测 GARCH 参数变化，在平方残差不能直接使用维纳过程边界越界理论时，仍控制误报并识别参数改变？
- 方法与思路
- 作者以准似然得分构造序贯监测程序，不依赖模型残差，研究无变化与有变化情形的渐近性质，并开展小规模模拟。
- 材料陈述的贡献
- 摘要称程序可渐近控制检验尺寸，边界函数条件简单且允许常数边界，并建立原假设与变化备择下的监测渐近性质。
- 阅读关注点
- 应核对得分过程的标准化、历史样本与监测期设置、变化备择的具体形式，以及常数边界校准和检测延迟的表现。
- 阅读边界
- 仅据所给出版社摘要，无法判断具体适用条件、误报水平或检测速度；小规模模拟的结果不能推广到所有 GARCH 场景。
原文摘要
We suggest a sequential monitoring scheme to detect changes in the parameters of a GARCH(p,q) sequence. The procedure is based on quasi-likelihood scores and does not use model residuals. Unlike for linear regression models, the squared residuals of nonlinear time series models such as generalized autoregressive conditional heteroskedasticity (GARCH) do not satisfy a functional central limit theorem with a Wiener process as a limit, so its boundary crossing probabilities cannot be used. Our procedure nevertheless has an asymptotically controlled size, and, moreover, the conditions on the boundary function are very simple; it can be chosen as a constant. We establish the asymptotic properties of our monitoring scheme under both the null of no change in parameters and the alternative of a change in parameters and investigate its finite-sample behavior by means of a small simulation study.This research was partially supported by NSF grant INT-0223262 and NATO grant PST.CLG.977607. The work of the first author was supported by the Hungarian National Foundation for Scientific Research, grants T 29621, 37886; the work of the second author was supported by NSERC Canada.