Sample quantile analysis for long-memory stochastic volatility models
长记忆随机波动模型的样本分位数分析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：摘要同时研究长记忆随机波动、样本分位数及日收益风险价值区间，支持波动率、尾部风险和分布分析方向。
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
长记忆随机波动模型的样本分位数分析
- 研究问题
- 当潜在波动率具有长记忆、观测过程仍为平稳鞅差时，样本分位数估计如何收敛，忽略波动依赖会怎样影响区间覆盖？
- 方法与思路
- 作者研究指数变换长记忆线性过程驱动的波动模型，分析绝对偏差分位数估计，并以非参数重采样估计区间标准化常数。
- 材料陈述的贡献
- 摘要称分位数估计误差渐近正态且收敛速度由波动依赖参数决定；模拟与标普五百日收益风险价值应用显示忽略依赖会扭曲覆盖率。
- 阅读关注点
- 应核对收敛速度及标准化的精确表达、分位数位置所需条件、重采样设计，以及风险价值区间覆盖的评估方式。
- 阅读边界
- 仅据所给出版社摘要，无法确定速度公式和覆盖偏差幅度；其中关于慢于 n 的表述须核对原文，不能自行改写为其他阶。
原文摘要
This study investigates asymptotic properties of sample quantile estimates in the context of long-memory stochastic volatility models in which the latent volatility component is an exponential transformation of a linear long-memory time series. We focus on the least absolute deviation quantile estimator and show that while the underlying process is a sequence of stationary martingale differences, the estimation errors are asymptotically normal with the convergence rate which is slower than n and determined by the dependence parameter of the volatility sequence. A non-parametric resampling method is employed to estimate the normalizing constants by which the confidence intervals are constructed. To demonstrate the methodology, we conduct a simulation study as well as an empirical analysis of the Value-at-Risk estimate of the S&P 500 daily returns. Both are consistent with the theoretical findings and provide clear evidence that the coverage probabilities of confidence intervals for the quantile estimate are severely biased if the strong dependence of the unobserved volatility sequence is ignored.