Nonlinearity, Breaks, and Long-Range Dependence in Time-Series Models
时间序列模型中的非线性、结构突变与长程依赖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：摘要研究时间序列的长记忆、参数变化与阈值效应，并应用于股票已实现方差，因此对应时间序列、结构变化及波动率。
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
时间序列模型中的非线性、结构突变与长程依赖
- 研究问题
- 时间序列中的长记忆能否与参数变化、阈值等非线性效应共同建模？摘要进一步考察这些特征对金融波动率预测的作用。
- 方法与思路
- 作者建立同时容纳长记忆和非线性效应的建模框架，发展参数估计的渐近理论并提出两种模型构建程序，应用于日度已实现方差。
- 材料陈述的贡献
- 摘要称，2000—2009 年道琼斯成分股的应用呈现较强的波动率非线性，样本外分析显示建模这些效应可改善预测表现。
- 阅读关注点
- 应核对长记忆与参数变化的可区分性、渐近理论条件、两种模型构建程序，以及样本外预测比较的基准模型和损失函数。
- 阅读边界
- 摘要未交代非线性设定、结构变化识别和预测改进幅度；其股票样本结果不足以直接推断其他市场或时期的表现。
原文摘要
We study the simultaneous occurrence of long memory and nonlinear effects, such as parameter changes and threshold effects, in time series models and apply our modeling framework to daily realized measures of integrated variance. We develop asymptotic theory for parameter estimation and propose two model-building procedures. The methodology is applied to stocks of the Dow Jones Industrial Average during the period 2000 to 2009. We find strong evidence of nonlinear effects in financial volatility. An out-of-sample analysis shows that modeling these effects can improve forecast performance. Supplementary materials for this article are available online.