Bootstrapping Laplace transforms of volatility
波动率拉普拉斯变换的自助法推断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：摘要研究固定跨度下的已实现波动率变换、瞬时方差及半鞅关联量，并应用于股票与债券数据。
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…
波动率拉普拉斯变换的自助法推断
- 研究问题
- 在固定时间跨度下，如何对波动率的已实现拉普拉斯变换及相关瞬时二阶量进行有效推断，并改善有限样本表现？
- 方法与思路
- 作者提出局部高斯自助法，以渐近理论和 Edgeworth 展开研究有效性，并构造基于拉普拉斯变换的方差及关联量估计。
- 材料陈述的贡献
- 摘要称该自助法对已实现拉普拉斯变换具有二阶渐近改进；新估计量具中心极限定理，模拟中推断表现优于所列方法。
- 阅读关注点
- 应核对固定跨度渐近设定、局部高斯重采样构造，以及二阶改进适用范围与新估计量所需的半鞅条件。
- 阅读边界
- 仅据所给 Crossref 摘要，不能把二阶改进推广到全部新估计量；采样条件、数值优势及其他版本变化未说明。
原文摘要
This paper studies inference for the realized Laplace transform (RLT) of volatility in a fixed‐span setting using bootstrap methods. Specifically, since standard wild bootstrap procedures deliver inconsistent inference, we propose a local Gaussian (LG) bootstrap, establish its first‐order asymptotic validity, and use Edgeworth expansions to show that the LG bootstrap inference achieves second‐order asymptotic refinements. Moreover, we provide new Laplace transform‐based estimators of the spot variance as well as the covariance, correlation, and beta between two semimartingales, and adapt our bootstrap procedure to the requisite scenario. We establish central limit theory for our estimators and first‐order asymptotic validity of their associated bootstrap methods. Simulations demonstrate that the LG bootstrap outperforms existing feasible inference theory and wild bootstrap procedures in finite samples. Finally, we illustrate the use of the new methods by examining the coherence between stocks and bonds during the global financial crisis of 2008 as well as the COVID‐19 pandemic stock sell‐off during 2020, and by a forecasting exercise.