M -ESTIMATION IN GARCH MODELS
GARCH 模型中的 M 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 GARCH 条件异方差模型的估计与渐近分布，对应波动率计量。
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
GARCH 模型中的 M 估计
- 研究问题
- 在 GARCH 模型中，除准极大似然外，绝对偏差及 Huber 等 M 估计量能否在较弱误差矩条件下获得渐近正态性？
- 方法与思路
- 作者统一研究一类 GARCH 的 M 估计量，结合误差分布的矩条件与得分函数的平滑性、矩条件推导其渐近分布。
- 材料陈述的贡献
- 摘要称，该理论涵盖准极大似然、最小绝对偏差和 Huber 估计；部分估计量只需误差具有分数阶无条件矩。
- 阅读关注点
- 应逐一核对各估计量需要的误差矩阶、得分函数条件及渐近方差，并检查较弱矩要求具体适用于哪些估计量。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定允许的矩阶范围或具体正则条件；摘要也未比较这些估计量的效率与有限样本表现。
原文摘要
This paper derives asymptotic normality of a class of M -estimators in the generalized autoregressive conditional heteroskedastic (GARCH) model. The class of estimators includes least absolute deviation and Huber's estimator in addition to the well-known quasi maximum likelihood estimator. For some estimators, the asymptotic normality results are obtained only under the existence of fractional unconditional moment assumption on the error distribution and some mild smoothness and moment assumptions on the score function.