The realized empirical distribution function of stochastic variance with application to goodness-of-fit testing
随机方差的已实现经验分布及其拟合优度检验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究带噪金融高频数据中的潜在瞬时方差分布，并检验随机波动模型，支持高频计量和波动率分类。
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…
随机方差的已实现经验分布及其拟合优度检验
- 研究问题
- 如何从带噪高频价格中恢复潜在瞬时方差的经验分布，并据此检验随机波动模型隐含的边际分布是否合适？
- 方法与思路
- 作者构造非参数已实现经验分布，分别研究固定跨度及时间同时增长的极限，并据此建立拟合优度检验。
- 材料陈述的贡献
- 摘要称估计在固定跨度下具有一致性，双重渐近下可收敛至波动率分布；模拟和股票应用用于评价检验表现。
- 阅读关注点
- 应核对噪声和采样条件、长期分布存在的要求，以及检验校准方式和不同边际分布实证比较的具体证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列完整条件，应用中的较佳拟合不能确立普遍分布规律。
原文摘要
We propose a nonparametric estimator of the empirical distribution function (EDF) of the latent spot variance of the log-price of a financial asset. We show that over a fixed time span our realized EDF (or REDF) -- inferred from noisy high-frequency data -- is consistent as the mesh of the observation grid goes to zero. In a double-asymptotic framework, with time also increasing to infinity, the REDF converges to the cumulative distribution function of volatility, if it exists. We exploit these results to construct some new goodness-of-fit tests for stochastic volatility models. In a Monte Carlo study, the REDF is found to be accurate over the entire support of volatility. This leads to goodness-of-fit tests that are both correctly sized and relatively powerful against common alternatives. In an empirical application, we recover the REDF from stock market high-frequency data. We inspect the goodness-of-fit of several two-parameter marginal distributions that are inherent in standard stochastic volatility models. The inverse Gaussian offers the best overall description of random equity variation, but the fit is less than perfect. This suggests an extra parameter (as available in, e.g., the generalized inverse Gaussian) is required to model stochastic variance.