Quasi score-driven models
准得分驱动模型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：摘要以动态条件矩更新模型为方法核心，并明确应用于股票条件方差估计，因此支持时间序列与金融波动率。
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…
准得分驱动模型
- 研究问题
- 如何扩展得分驱动模型，使条件矩的更新方程不必绑定观测密度的对数似然，并允许检验这种绑定关系和纳入解释变量？
- 方法与思路
- 作者提出准得分驱动模型类，分离更新方程与条件密度，研究多类似然或准似然估计，以及似然比和拉格朗日乘子检验。
- 材料陈述的贡献
- 摘要称，新模型类包含并推广既有得分驱动模型，支持准极大似然估计和相关限制检验，并用于美国股票条件方差估计。
- 阅读关注点
- 应核对更新方程和条件密度分别受到哪些限制、不同估计量的目标与条件，以及相关检验如何识别原模型的绑定假设。
- 阅读边界
- 仅据所给出版社摘要，无法判断递推稳定性、可识别性或具体模拟优势；股票方差应用不足以证明模型普遍更优。
原文摘要
This paper introduces the class of quasi score-driven (QSD) models. This new class inherits and extends the basic ideas behind the development of score-driven (SD) models and addresses a number of unsolved issues in the score literature. In particular, the new class of models (i) generalizes many existing models, including SD models, (ii) disconnects the updating equation from the log-likelihood implied by the conditional density of the observations, (iii) allows testing of the assumptions behind SD models that link the updating equation of the conditional moment to the conditional density, (iv) allows QML estimation of SD models, (v) and allows explanatory variables to enter the updating equation. We establish the asymptotic properties of the QLE, QMLE and MLE of the proposed QSD model as well as the likelihood ratio and Lagrange multiplier test statistics. The finite sample properties are studied by means of an extensive Monte Carlo study. Finally, we show the empirical relevance of QSD models to estimate the conditional variance of 400 US stocks.