Inference and forecasting for continuous-time integer-valued trawl processes
连续时间整数值拖曳过程的推断与预测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：摘要明确研究整数值时间序列的记忆结构和预测分布，但未提供足以归入高频计量的采样信息。
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…
连续时间整数值拖曳过程的推断与预测
- 研究问题
- 连续时间整数值拖曳过程的完整似然难以处理时，如何开展参数估计、模型选择与概率预测，并应对短记忆和长记忆的差异？
- 方法与思路
- 作者以两两观测的成对似然替代完整似然，通过最大化得到参数估计，并据此构建整数值时间序列的预测分布及模型选择方法。
- 材料陈述的贡献
- 摘要称证明了估计量的一致性及短记忆情形的渐近正态性，提供长记忆情形的部分结果，并用模拟和买卖价差数据展示方法。
- 阅读关注点
- 应核对成对似然的构造、观测间隔与依赖条件、长记忆结果的覆盖范围，以及预测分布和模型选择在样本外如何评价。
- 阅读边界
- 仅据所给 OpenAlex 摘要，长记忆理论尚属部分结果，具体条件、模型选择准则和误差数值未说明，也不能推断后续版本变化。
原文摘要
This paper develops likelihood-based methods for estimation, inference, model selection, and forecasting of continuous-time integer-valued trawl processes. The full likelihood of integer-valued trawl processes is, in general, highly intractable, motivating the use of composite likelihood methods, where we consider the pairwise likelihood in lieu of the full likelihood. Maximizing the pairwise likelihood of the data yields an estimator of the parameter vector of the model, and we prove consistency and, in the short memory case, asymptotic normality of this estimator. When the underlying trawl process has long memory, the asymptotic behaviour of the estimator is more involved; we present some partial results for this case. The pairwise approach further allows us to develop probabilistic forecasting methods, which can be used to construct the predictive distribution of integer-valued time series . In a simulation study, we document the good finite sample performance of the likelihood-based estimator and the associated model selection procedure. Lastly, the methods are illustrated in an application to modelling and forecasting financial bid–ask spread data, where we find that it is beneficial to carefully model both the marginal distribution and the autocorrelation structure of the data.