A Two-step Estimating Approach for Heavy-tailed AR Models with Non-zero Median GARCH-type Noises
非零中位数 GARCH 型噪声下厚尾 AR 模型的两步估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究厚尾 AR 时间序列及 GARCH 型噪声下的参数估计，未明确限定金融应用。
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…
关注这篇论文的作者
非零中位数 GARCH 型噪声下厚尾 AR 模型的两步估计
- 研究问题
- 厚尾自回归模型的噪声具有时变波动且中位数非零时，如何识别并估计自回归参数，而无需预先知道噪声的对称性、尾指数或参数形式？
- 方法与思路
- 作者先在各分位水平构造自加权分位数估计，再估计噪声小于零的概率并回代，以消除对应偏差，同时采用随机加权自助法近似分布。
- 材料陈述的贡献
- 摘要称，第一步去偏后有高斯过程极限，两步得到的概率与自回归参数估计一致且渐近正态，并无需通常的零均值或零中位数约束。
- 阅读关注点
- 应核对未知分位水平的识别来源、自加权规则及偏差的存在与唯一零点，并检查厚尾和波动条件、过程收敛与自助法有效性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核验；摘要未给出替代识别条件和完整正则要求，不能理解为任意厚尾噪声下都能识别。
原文摘要
This paper develops a novel two-step estimating procedure for heavy-tailed AR models with non-zero median GARCH-type noises, allowing for time-varying volatility. We first establish the self-weighted quantile regression estimator (SQE) across all quantile levels $τ\in (0,1)$ for the AR parameters $θ_{0}$. We show that the SQE, less a bias, converges weakly to a Gaussian process at a rate of $n^{-1/2}$. The bias is zero if and only if $τ$ equals $τ_{0}$, the probability that the noise is less than zero. Based on the SQE, we propose an approach to estimate $τ_{0}$ in the second step and {feed the estimated $τ_0$ back into the SQE to estimate $θ_0$.} Both the estimated $τ_{0}$ and $θ_{0}$ are shown to be consistent and asymptotically normal. A random weighting bootstrap method is developed to approximate the complex distribution. The problem we study is non-standard because $τ_{0}$ may not be identifiable in conventional quantile regression, and the usual methods cannot verify the existence of the SQE bias. Unlike existing procedures for heavy-tailed time series, our method does not require prior information about the symmetry, tail index, or the parametric form of the noise, nor does it require classical identification conditions, such as zero-mean or zero-median.