Empirical likelihood for high frequency data
高频数据的经验似然方法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：摘要明确研究高频观测下波动率指标的区间估计、跳跃检验及微观结构噪声，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…
高频数据的经验似然方法
- 研究问题
- 在固定时间区间内观测日益密集的高频数据中，如何对波动率指标进行区间估计与假设检验，并处理跳跃和微观结构噪声？
- 方法与思路
- 作者提出修正经验似然统计量，使其在固定区间内观测加密的渐近框架下具有枢轴性，并扩展处理跳跃与微观结构噪声。
- 材料陈述的贡献
- 摘要称，方法还提供跳跃检验，并表明某一非参数似然统计量可作Bartlett修正，以改善覆盖率或检验尺寸的高阶性质。
- 阅读关注点
- 核对波动率指标的定义、渐近枢轴性成立条件、跳跃与噪声的处理方式，以及Bartlett修正适用的统计量和误差阶。
- 阅读边界
- 摘要未说明噪声结构、采样条件、真实数据来源及模拟结果的量级；据此无法判断有限样本覆盖率或尺寸改善的实际幅度。
原文摘要
This paper introduces empirical likelihood methods for interval estimation and hypothesis testing on volatility measures in some high frequency data environments. We propose a modified empirical likelihood statistic that is asymptotically pivotal under infill asymptotics, where the number of high frequency observations in a fixed time interval increases to infinity. The proposed statistic is extended to be robust to the presence of jumps and microstructure noise. We also provide an empirical likelihood-based test to detect the presence of jumps. Furthermore, we study higher-order properties of a general family of nonparametric likelihood statistics and show that a particular statistic admits a Bartlett correction: a higher-order refinement to achieve better coverage or size properties. Simulation and a real data example illustrate the usefulness of our approach.