Bubble Modeling and Tagging: A Stochastic Nonlinear Autoregression Approach
泡沫建模与标记：随机非线性自回归方法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：摘要以非线性自回归、平稳遍历性、局部爆炸和时间序列诊断为核心。
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
泡沫建模与标记：随机非线性自回归方法
- 研究问题
- 如何在整体平稳的时间序列模型中刻画局部爆炸与泡沫动态，并同时完成参数估计、拟合诊断以及具体泡沫时期的标记？
- 方法与思路
- 作者提出随机非线性自回归模型，研究准最大似然估计与诊断统计量，并分别从残差和零状态角度构造泡沫标记方法。
- 材料陈述的贡献
- 摘要称模型严格平稳且几何遍历，并可在特定系数范围出现周期性爆炸；作者建立估计渐近性质，以模拟及恒生指数月度数据展示。
- 阅读关注点
- 应核对整体平稳与局部爆炸并存的机制、参数范围、扰动条件，以及诊断统计量和两种泡沫标记方法的误报与漏报表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未给出参数范围、完整假设或标记误差，不能据此确认具体时期存在经济泡沫。
原文摘要
Economic and financial time series can feature locally explosive behavior when a bubble is formed. The economic or financial bubble, especially its dynamics, is an intriguing topic that has been attracting longstanding attention. To illustrate the dynamics of the local explosion itself, the paper presents a novel, simple, yet useful time series model, called the stochastic nonlinear autoregressive model, which is always strictly stationary and geometrically ergodic and can create long swings or persistence observed in many macroeconomic variables. When a nonlinear autoregressive coefficient is outside of a certain range, the model has periodically explosive behaviors and can then be used to portray the bubble dynamics. Further, the quasi-maximum likelihood estimation (QMLE) of our model is considered, and its strong consistency and asymptotic normality are established under minimal assumptions on innovation. A new model diagnostic checking statistic is developed for model fitting adequacy. In addition, two methods for bubble tagging are proposed, one from the residual perspective and the other from the null-state perspective. Monte Carlo simulation studies are conducted to assess the performances of the QMLE and the two bubble tagging methods in finite samples. Finally, the usefulness of the model is illustrated by an empirical application to the monthly Hang Seng Index.