Method of moments estimation of GO-GARCH models
GO-GARCH 模型的矩估计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 GO-GARCH 的因子载荷与因子波动，并应用于欧洲行业收益。
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
GO-GARCH 模型的矩估计
- 研究问题
- 如何估计广义正交 GARCH 模型的因子载荷矩阵，使计算更便利，并减少对因子波动模型严格设定的依赖？
- 方法与思路
- 作者根据收益平方及交叉乘积的特定样本自相关矩阵的特征向量构造矩估计，分析一致性，并与极大似然进行模拟比较。
- 材料陈述的贡献
- 摘要称，新方法在数值计算上更具吸引力，对因子波动模型的限制较少；文中提供一致性条件并研究相对极大似然的效率。
- 阅读关注点
- 应核对所用自相关矩阵、载荷识别与归一化、一致性条件，以及计算便利、设定敏感性和统计效率分别如何评估。
- 阅读边界
- 仅依据所给出版社摘要；摘要未说明具体识别条件或效率比较结果，不能把计算便利及较少设定限制等同于全面优于极大似然。
原文摘要
We propose a new estimation method for the factor loading matrix in generalized orthogonal GARCH (GO-GARCH) models. The method is based on eigenvectors of suitably defined sample autocorrelation matrices of squares and cross-products of returns. The method is numerically more attractive than likelihood-based estimation. Furthermore, the new method does not require strict assumptions on the volatility models of the factors, and therefore is less sensitive to model misspecification. We provide conditions for consistency of the estimator, and study its efficiency relative to maximum likelihood estimation using Monte Carlo simulations. The method is applied to European sector returns.