Break detection in the covariance structure of multivariate time series models
多元时间序列模型协方差结构的突变检测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：摘要明确研究多元时间序列协方差稳定性、突变检测及 GARCH 波动模型，并包含金融数据应用。
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…
多元时间序列模型协方差结构的突变检测
- 研究问题
- 如何检验线性与非线性多元时间序列的波动及交叉波动是否稳定，并在高维数据或多个变化点的情形下开展检测？
- 方法与思路
- 作者提出非参数渐近检验，避免依赖参数模型选择、拟合及参数估计，并以模拟和金融数据展示应用，讨论多次变化与无限四阶矩扩展。
- 材料陈述的贡献
- 摘要称，该检验具有理论基础，可适用于多种多元 GARCH 模型及高维情形，并讨论多个变化点与无限四阶矩情形的扩展。
- 阅读关注点
- 应核对时间依赖、维度增长和矩条件，以及无限四阶矩扩展中检验对象是否变化，另需检查临界值计算与模拟证据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出维度增长范围、检验功效或金融数据结果，不能认定所有模型均适用。
原文摘要
In this paper, we introduce an asymptotic test procedure to assess the stability of volatilities and cross-volatilites of linear and nonlinear multivariate time series models. The test is very flexible as it can be applied, for example, to many of the multivariate GARCH models established in the literature, and also works well in the case of high dimensionality of the underlying data. Since it is nonparametric, the procedure avoids the difficulties associated with parametric model selection, model fitting and parameter estimation. We provide the theoretical foundation for the test and demonstrate its applicability via a simulation study and an analysis of financial data. Extensions to multiple changes and the case of infinite fourth moments are also discussed.