Fractionally integrated generalized autoregressive conditional heteroskedasticity
分数整合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：摘要直接研究条件异方差的长期依赖及时间序列过程，并以每日汇率波动为应用。
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…
分数整合广义自回归条件异方差模型
- 研究问题
- 如何用条件方差模型刻画波动冲击影响的缓慢衰减？分数整合设定的参数估计，以及常规 GARCH 估计呈现近似整合的现象如何解释？
- 方法与思路
- 作者提出 FIGARCH 过程，使滞后平方创新的影响按双曲速度衰减，并通过模拟考察近似极大似然估计，使用每日德国马克兑美元汇率展示应用。
- 材料陈述的贡献
- 摘要称 FIGARCH 能表达波动影响的缓慢衰减，并论述参数极大似然估计具有根号 T 一致性；模拟还展示常规 GARCH 容易产生类似 IGARCH 的估计。
- 阅读关注点
- 应核对分数整合参数的允许范围、条件方差的存在性、根号 T 一致性的条件，以及近似似然、初始化和模拟设计对估计表现的影响。
- 阅读边界
- 仅依据作者／机构库所标注版本摘要，不能推断其他版本或刊本变化；摘要未列出一致性条件、模拟数值及实证比较，不能据此断言普遍优越。
原文摘要
The new class of Fractionally Integrated Generalized AutoRegressive Conditionally Heteroskedastic (FIGARCH) processes is introduced. The conditional variance of the process implies a slow hyperbolic rate of decay for the influence of lagged squared innovations. Unlike I(d) processes for the mean, Maximum Likelihood Estimates (MLE) of the FIGARCH parameters are argued to be T^(1/2)-consistent. The small-sample behavior of an approximate MLE procedure is assessed through a simulation study, which also documents how the estimation of a standard GARCH model tends to produce integrated, or IGARCH, like estimates. An empirical example with daily Deutsch-mark–U.S. dollar exchange rates illustrates the practical relevance of the new FIGARCH specification.