Testing for parameter instability and structural change in persistent predictive regressions
持续性预测回归中的参数不稳定与结构变化检验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：摘要直接讨论持续性时间序列中的结构突变检验，并以隐含与已实现波动率作为应用对象。
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…
持续性预测回归中的参数不稳定与结构变化检验
- 研究问题
- 当预测变量具有持续性、分数单整或协整关系时，如何检验参数变化与未知时点的多重结构突变，并评估波动率预测关系的稳定性？
- 方法与思路
- 作者利用局部谱方法构造 sup-Wald 检验，覆盖参数变动与多重未知断点，并建立极限理论，应用于隐含和已实现波动率的关系。
- 材料陈述的贡献
- 摘要称，新检验可直接使用既有相关极限过程的临界值；应用发现波动率协整关系不稳定，所构造时间序列预测更有效捕捉低频变动。
- 阅读关注点
- 应核对分数单整与协整的允许范围、断点数量处理和局部谱调节参数，以及高频数据基准与隐含波动率预测的比较设计。
- 阅读边界
- 所给 OpenAlex 摘要未列出极限理论条件、断点识别限制或预测效率指标；不能据此推断其他版本变化或一般性预测优势。
原文摘要
This paper develops parameter instability and structural change tests within predictive regressions for economic systems governed by persistent vector autoregressive dynamics. Specifically, in a setting where all – or a subset – of the variables may be fractionally integrated and the predictive relation may feature cointegration, we provide sup-Wald break tests that are constructed using the Local speCtruM (LCM) approach. The new tests cover both parameter variation and multiple structural changes with unknown break dates, and the number of breaks being known or unknown. We establish asymptotic limit theory for the tests, showing that it coincides with standard testing procedures. As a consequence, existing critical values for tied-down Bessel processes may be applied, without modification. We implement the new structural change tests to explore the stability of the fractionally cointegrating relation between implied- and realized volatility (IV and RV). Moreover, we assess the relative efficiency of IV forecasts against a challenging time-series benchmark constructed from high-frequency data. Unlike existing studies, we find evidence that the IV–RV cointegrating relation is unstable, and that carefully constructed time-series forecasts are more efficient than IV in capturing low-frequency movements in RV.