Tree-structured Generalized Autoregressive Conditional Heteroscedastic Models
树结构广义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：摘要明确针对金融时间序列波动率，采用带多阈值树结构的 GARCH 动态模型。
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
树结构广义自回归条件异方差模型
- 研究问题
- 如何让金融时间序列的波动率模型随预测变量所处区域变化，同时保留经典 GARCH 结构并系统地增加模型复杂度？
- 方法与思路
- 作者用二叉树划分预测变量空间，在各叶节点设置局部 GARCH 模型，并基于非高斯观测的似然框架拟合树结构。
- 材料陈述的贡献
- 摘要称模型包含经典 GARCH 作为特例，并建立一致性结果；模拟与真实数据分析被作者用于支持更好的预测潜力。
- 阅读关注点
- 应核对阈值变量、树的选择与复杂度控制、一致性条件，以及波动率预测比较是否采用样本外评估和共同损失标准。
- 阅读边界
- 仅据所给 Crossref 摘要，不能确认普遍预测优势；摘要未说明一致性条件、比较方法、数据细节或数值提升幅度。
原文摘要
Summary We propose a new generalized autoregressive conditional heteroscedastic (GARCH) model with tree-structured multiple thresholds for the estimation of volatility in financial time series. The approach relies on the idea of a binary tree where every terminal node parameterizes a (local) GARCH model for a partition cell of the predictor space. The fitting of such trees is constructed within the likelihood framework for non-Gaussian observations: it is very different from the well-known regression tree procedure which is based on residual sums of squares. Our strategy includes the classical GARCH model as a special case and allows us to increase model complexity in a systematic and flexible way. We derive a consistency result and conclude from simulation and real data analysis that the new method has better predictive potential than other approaches.