Generalized Jump Regressions for Local Moments
局部矩的广义跳跃回归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：摘要以高频数据分析局部矩跳跃，并应用于交易强度与即期波动率的关系，直接对应高频计量和波动率方向。
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…
局部矩的广义跳跃回归
- 研究问题
- 如何利用高频观测分析随机过程瞬时矩之间的跳跃关系，并在估计量具有非常规渐近分布时实现可行的参数估计和统计推断？
- 方法与思路
- 作者先以局部均值之差非参数估计跳跃，再采用一般损失函数进行最小距离型参数估计，其中包含最小二乘与更稳健的分位数回归。
- 材料陈述的贡献
- 摘要称作者推导采样加密渐近下通常非混合正态的极限分布，证明含偏差校正的新自助法有效，并提供美国股票市场应用。
- 阅读关注点
- 应核对局部窗口与跳跃估计、一般损失函数所需条件、非标准极限分布的来源，以及自助法有效性证明和偏差校正的实施。
- 阅读边界
- 摘要未列出完整过程假设、采样要求与自助法调参细节；宏观新闻公告时点应用的估计精度及结论外推范围仍需阅读全文核对。
原文摘要
We develop new high-frequency-based inference procedures for analyzing the relationship between jumps in instantaneous moments of stochastic processes. The estimation consists of two steps: the nonparametric determination of the jumps as differences in local averages, followed by a minimum-distance type estimation of the parameters of interest under general loss functions that include both least-square and more robust quantile regressions as special cases. The resulting asymptotic distribution of the estimator, derived under an infill asymptotic setting, is highly nonstandard and generally not mixed normal. In addition, we establish the validity of a novel bootstrap algorithm for making feasible inference including bias-correction. The new methods are applied in a study on the relationship between trading intensity and spot volatility in the U.S. equity market at the time of important macroeconomic news announcement.