SEMIPARAMETRIC VECTOR MEM
半参数向量乘法误差模型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：摘要明确以多个金融波动率指标的联合动态作为应用与方法验证对象。
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…
半参数向量乘法误差模型
- 研究问题
- 如何联合刻画成交量、交易次数、持续时间和波动率等非负金融序列的聚集性，并避免指定完整的多元误差分布？
- 方法与思路
- 作者采用向量乘法误差模型，将条件自回归尺度向量与多元独立同分布创新逐元素相乘，通过广义矩方法估计参数。
- 材料陈述的贡献
- 摘要称模拟中联合估计比逐方程估计更有效率；多个波动率指标的应用揭示相互依赖，为联合建模提供经验支持。
- 阅读关注点
- 核对创新过程与矩条件的限制、联合动态结构和估计权重，并检查效率比较的基准以及波动率指标间依赖的证据。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定矩条件、平稳性要求及效率增益幅度；不指定完整误差分布仍需相应统计假设。
原文摘要
SUMMARY Financial time series are often non‐negative‐valued (volumes, trades, durations, realized volatility, daily range) and exhibit clustering. When joint dynamics is of interest, the vector multiplicative error model (vMEM; the element‐by‐element product of a vector of conditionally autoregressive scale factors and a multivariate i.i.d. innovation process) is a suitable strategy. Its parameters can be estimated by generalized method of moments, bypassing the problem of specifying a multivariate distribution for the errors. Simulated results show the gains in efficiency relative to an equation‐by‐equation approach. A vMEM on several measures of volatility justifies a joint approach revealing full interdependence. Copyright © 2012 John Wiley & Sons, Ltd.