Forecasting a long memory process subject to structural breaks
存在结构突变的长记忆过程预测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：摘要研究结构突变下的预测，并应用于汇率已实现波动率。
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…
存在结构突变的长记忆过程预测
- 研究问题
- 当平稳ARFIMA过程发生均值或长记忆参数变化，且突变日期未知时，如何构造易实施的预测方法？
- 方法与思路
- 作者以AR模型近似发生结构突变的ARFIMA过程，并建议用AIC或Mallows’ Cp选择近似模型阶数。
- 材料陈述的贡献
- 摘要称，该方法规避长记忆参数估计不准和有限样本伪突变问题，模拟及汇率已实现波动率应用支持其用途。
- 阅读关注点
- 应核对AR近似的理论范围、阶数选择条件、突变设计及预测比较，并检查对HAR-RV表现的解释依据。
- 阅读边界
- 仅据所给出版社摘要，无法量化其所称预测改善，也不能认定该方法在所有长记忆或突变情形下均占优。
原文摘要
We develop an easy-to-implement method for forecasting a stationary autoregressive fractionally integrated moving average (ARFIMA) process subject to structural breaks with unknown break dates. We show that an ARFIMA process subject to a mean shift and a change in the long memory parameter can be well approximated by an autoregressive (AR) model and suggest using an information criterion (AIC or Mallows’ Cp) to choose the order of the approximate AR model. Our method avoids the issue of estimation inaccuracy of the long memory parameter and the issue of spurious breaks in finite sample. Insights from our theoretical analysis are confirmed by Monte Carlo experiments, through which we also find that our method provides a substantial improvement over existing prediction methods. An empirical application to the realized volatility of three exchange rates illustrates the usefulness of our forecasting procedure. The empirical success of the HAR-RV model can be explained, from an econometric perspective, by our theoretical and simulation results.