Inference on the tail process with application to financial time series modeling
尾过程推断及其在金融时间序列建模中的应用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：摘要明确研究平稳重尾时间序列的极端序列依赖，并应用于股票冲击持续性，直接对应时间序列与金融尾部风险方向。
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…
尾过程推断及其在金融时间序列建模中的应用
- 研究问题
- 研究重尾时间序列中极端事件的序列依赖如何估计和推断，并用股票价格数据考察正向与负向冲击的持续性。
- 方法与思路
- 作者将谱尾过程的非参数估计扩展到平稳、正则变动时间序列，以簇泛函经验过程推导极限分布，并使用两类自助法。
- 材料陈述的贡献
- 摘要称，方法超越重尾马尔可夫链设定，给出估计量的大样本分布，并为前渐近谱尾过程构造置信区间及金融应用。
- 阅读关注点
- 应核对正则变动、平稳性及依赖条件，区分极限谱尾过程与前渐近对象，并检查阈值、区块长度和两种自助法的设置。
- 阅读边界
- 仅据所给出版社摘要，无法判断阈值选择和尾部样本稀少造成的误差；股票应用中正负冲击持续性的具体发现未说明。
原文摘要
To draw inference on serial extremal dependence within heavy-tailed Markov chains, Drees et al., (2015) proposed nonparametric estimators of the spectral tail process. The methodology can be extended to the more general setting of a stationary, regularly varying time series. The large-sample distribution of the estimators is derived via empirical process theory for cluster functionals. The finite-sample performance of these estimators is evaluated via Monte Carlo simulations. Moreover, two different bootstrap schemes are employed which yield confidence intervals for the pre-asymptotic spectral tail process: the stationary bootstrap and the multiplier block bootstrap. The estimators are applied to stock price data to study the persistence of positive and negative shocks.