On a Mixture Autoregressive Conditional Heteroscedastic Model
混合自回归条件异方差模型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。
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：摘要明确讨论非线性时间序列、平稳性和自相关，并构造多步预测分布。
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
混合自回归条件异方差模型
- 研究问题
- 如何在同一非线性时间序列模型中描述多峰条件分布、条件异方差，以及更灵活的平方序列自相关结构？
- 方法与思路
- 作者提出由多个具有 ARCH 结构的自回归成分组成的混合模型，采用 EM 算法估计，并讨论模型选择与多步预测分布。
- 材料陈述的贡献
- 摘要称推导了平稳性条件、自相关及平方自相关函数；两个数据集的比较显示模型似乎更能捕捉数据特征。
- 阅读关注点
- 应核对混合机制、均值与方差结构、平稳性条件、EM 算法的识别与收敛问题，以及预测比较所采用的评价标准。
- 阅读边界
- 所给 OpenAlex 索引摘要未注明稿件版本；摘要未提供数据、比较指标或数值结果，不能把两例中的表现推广为普遍优越性。
原文摘要
We propose a mixture autoregressive conditional heteroscedastic (MAR-ARCH) model for modeling nonlinear time series. The models consist of a mixture of K autoregressive components with autoregressive conditional heteroscedasticity; that is, the conditional mean of the process variable follows a mixture AR (MAR) process, whereas the conditional variance of the process variable follows a mixture ARCH process. In addition to the advantage of better description of the conditional distributions from the MAR model, the MARARCH model allows a more flexible squared autocorrelation structure. The stationarity conditions, autocorrelation function, and squared autocorrelation function are derived. Construction of multiple step predictive distributions is discussed. The estimation can be easily done through a simple EM algorithm, and the model selection problem is addressed. The shape-changing feature of the conditional distributions makes these models capable of modeling time series with multimodal conditional distributions and with heteroscedasticity. The models are applied to two real datasets and compared to other competing models. The MAR-ARCH models appear to capture features of the data better than the competing models.