Generalized Autoregressive Moving Average Models with GARCH Errors
具有 GARCH 误差的广义自回归移动平均模型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：摘要联合研究时间序列的条件均值和条件方差，并明确包含偏斜厚尾金融序列模型。
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
具有 GARCH 误差的广义自回归移动平均模型
- 研究问题
- 非高斯时间序列同时存在条件均值动态与条件异方差时，如何联合建模，并适应比例、非负及偏斜厚尾数据？
- 方法与思路
- 作者提出 GARMA-GARCH 框架，联合指定条件均值与条件方差，给出三种具体模型，并采用最大似然及拟高斯最大似然估计。
- 材料陈述的贡献
- 摘要称新框架将非高斯序列的均值与方差动态结合，并通过模拟和三个应用展示具体模型及估计程序的性质。
- 阅读关注点
- 应核对各模型的分布设定、方差正值与平稳性条件，以及两类估计量的适用条件、模拟设计和金融应用中的拟合诊断。
- 阅读边界
- 所据为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明渐近理论、参数限制或相对其他模型的优势。
原文摘要
One of the important and widely used classes of models for non-Gaussian time series is the generalized autoregressive model average models (GARMA), which specifies an ARMA structure for the conditional mean process of the underlying time series. However, in many applications one often encounters conditional heteroskedasticity. In this paper we propose a new class of models, referred to as GARMA-GARCH models, that jointly specify both the conditional mean and conditional variance processes of a general non-Gaussian time series. Under the general modeling framework, we propose three specific models, as examples, for proportional time series, nonnegative time series, and skewed and heavy-tailed financial time series. Maximum likelihood estimator (MLE) and quasi Gaussian MLE (GMLE) are used to estimate the parameters. Simulation studies and three applications are used to demonstrate the properties of the models and the estimation procedures.