Non-parametric estimation of conditional quantiles for time series with heavy tails
重尾时间序列条件分位数的非参数估计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：题名明确涉及条件分位数，摘要明确研究重尾时间序列的条件分布估计，因此选择时间序列与分位数和分布方向。
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…
重尾时间序列条件分位数的非参数估计
- 研究问题
- 如何针对重尾时间序列进行非参数条件分布及条件分位数估计，并为相关估计量建立可用于统计推断的渐近性质？
- 方法与思路
- 作者提出修正的加权 Nadaraya-Watson 条件分布估计量，建立渐近正态性，并通过模拟及一个数据集展示方法。
- 材料陈述的贡献
- 摘要明确陈述新的加权条件分布估计方法及其渐近正态性，但未进一步说明条件分位数结果或模拟表现的具体内容。
- 阅读关注点
- 应核对重尾与时间依赖条件、权重和带宽的构造，以及条件分布结果如何转化为题名所述的条件分位数估计。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要较简略，未说明尾部限制、数据来源或比较结果。
原文摘要
We propose a modified weighted Nadaraya-Watson estimator for the conditional distribution of a time series with heavy tails. We establish the asymptotic normality of the proposed estimator. Simulation study is carried out to assess the performance of the estimator. We illustrate our method using a dataset.