Local asymptotic normality property for fractional Gaussian noise under high-frequency observations
高频观测下分数高斯噪声的局部渐近正态性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：摘要直接研究分数高斯噪声这一时序过程；虽有高频观测，但未提供金融应用依据。
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…
关注这篇论文的作者
高频观测下分数高斯噪声的局部渐近正态性
- 研究问题
- 高频观测下的分数高斯噪声是否具有局部渐近正态性，以及该性质如何支持参数估计效率和 Hurst 参数检验？
- 方法与思路
- 作者使用依赖待估参数的非对角速率矩阵建立 LAN，并据此分析最大似然估计序列及 Hurst 参数的双侧似然比检验。
- 材料陈述的贡献
- 摘要称非对角速率矩阵不可避免，最大似然估计序列渐近有效，Hurst 参数的双侧检验渐近一致最强无偏。
- 阅读关注点
- 应核对高频采样的渐近设定、参数空间、速率矩阵和信息矩阵，并确认估计效率与双侧检验最优性的完整条件。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；采样条件与参数限制未说明，不能推断有限样本最优性或金融数据中的适用表现。
原文摘要
Local Asymptotic Normality (LAN) property for fractional Gaussian noise under high-frequency observations is proved with nondiagonal rate matrices depending on the parameter to be estimated. In contrast to the LAN families in the literature, nondiagonal rate matrices are inevitable. As consequences of the LAN property, a maximum likelihood sequence of estimators is shown to be asymptotically efficient and the likelihood ratio test on the Hurst parameter is shown to be an asymptotically uniformly most powerful unbiased test for two-sided hypotheses.