Empirical Likelihood Methods Based on Characteristic Functions With Applications to Lévy Processes
基于特征函数的经验似然方法及其 Lévy 过程应用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：摘要仅提及金融建模背景，未明确研究资产定价、收益预测、高频数据或其他所列金融细分问题。
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…
基于特征函数的经验似然方法及其 Lévy 过程应用
- 研究问题
- 当 Lévy 过程的特征函数易于获得时，如何据此估计参数，并检验参数模型类别、跳跃成分及分布对称性？
- 方法与思路
- 作者将特征函数信息与非参数经验似然方法结合，构造参数估计及多类检验，并通过模拟和案例研究评价其表现。
- 材料陈述的贡献
- 摘要称该框架可同时处理参数估计、特定参数类别检验、跳跃成分检验和对称性检验，模拟与案例支持方法的有效性。
- 阅读关注点
- 应核对特征函数对应的约束构造、频率点选择、观测方案，以及跳跃成分与对称性检验的零假设和渐近校准条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未提供观测频率、识别条件或检验误差结果，不能据此判断具体金融应用中的可靠性。
原文摘要
Lévy processes have been receiving increasing attention in financial modeling. One distinctive feature of such models is that their characteristic functions are readily available. Inference based on characteristic functions is very useful for studying Lévy processes. By incorporating the recent advances in nonparametric approaches, empirical likelihood methods based on characteristic functions are developed in this paper for parameter estimation, testing a particular parametric class including the presence of a jump component in the Lévy process and testing for symmetry of a distribution. Simulation and case studies confirm the effectiveness of the proposed method.