×

兹马思-数学第一资源

具有对数凹创新的半参数时间序列模型:极大似然估计及其一致性。(英语) Zbl公司 1378.62061
摘要:我们研究了服从对数凹分布的具有创新点的半参数时间序列模型。我们提出了一个通用的极大似然框架,允许我们同时估计模型的参数和创新的密度。该框架可以很容易地适用于许多著名的模型,包括自回归滑动平均(ARMA)、广义自回归条件异方差(GARCH)和ARMA-GARCH模型。此外,我们还证明了新框架下的估计量在ARMA和ARMA-GARCH环境下都是一致的。我们通过深入的模拟研究证明了它的有限样本性能,并将其应用于ftse100指数的日日志收益率建模。

理学硕士:
62M10 统计学中的时间序列、自相关、回归等(GARCH)
62G32型 极值统计;尾推理
6220国集团 非参数推理的渐近性质
PDF格式 BibTeX公司 XML 引用
全文: 内政部
参考文献:
[1] 巴格诺利,对数凹概率及其应用,经济学。理论。26页445–(2005年)·Zbl公司 1077.60012·doi:10.1007/s00199-004-0514-4
[2] 巴拉道伊,对数凹密度极大似然估计的极限分布理论,人工神经网络。统计学家。第37页1299–(2009年)·Zbl公司 1160.62008·doi:10.1214/08-AOS609
[3] 比林斯利,《概率与测度》,3。编辑(1995)·Zbl公司 822.60002
[4] 李国平,广义自回归条件异方差,J。计量经济学31页307–(1986年)·Zbl公司 616.62119·电话:10.1016/0304-4076电话:(86)90063-1
[5] 布格罗尔,GARCH过程与非负时间序列的平稳性,J。计量经济学52页115–(1992年)·Zbl公司 746.62087·电话:10.1016/0304-4076(92)90067-2
[6] 布罗克韦尔,《时间序列:理论与方法》,2。编辑(1991)·Zbl公司 709.62080·doi:10.1007/978-1-4419-0320-4
[7] Brockwell,自回归滑动平均方程的严格平稳解,Biometrika 97 pp 765–(2010)·Zbl公司 1195.62137·doi:10.1093/biomet/asq034
[8] 陈,Y。2011年具有对数凹创新的半参数时间序列模型:极大似然估计及其一致性
[9] 陈,X。廖,Z。太阳,Y。2012年半非参数时间序列模型的筛分推断考尔斯基金会讨论论文
[10] 陈,平滑对数凹极大似然估计及其应用,统计学家。《中华人民共和国23》第1373页–(2013年)
[11] 多维密度电子对数凹极大似然估计的理论性质。J。Stat.4第254页–(2010年)·Zbl公司 1329.62183·doi:10.1214/09-EJS505
[12] 高维对数凹密度的极大似然估计(附讨论),J。R。统计Soc。爵士。统计方法。72页545–(2010年)·Zbl公司 1329.62183·doi:10.1111/j.1467-9868.2010.00753.x
[13] 双指数分布噪声ARMA模型,J。R。统计Soc。爵士。统计方法。51第61页–(1989年)
[14] Diggle,纵向数据分析,2。编辑(2002)
[15] 卓士德,半参数GARCH模型中的有效估计,J。《计量经济学》81页193–(1997年)·Zbl公司 944.62120·doi:10.1016/S0304-4076(97)00042-0
[16] 时间序列模型中的自适应估计,人工神经网络。统计学家。25页786–(1997年)·Zbl公司 941.62093·doi:10.1214/aos/1031833674
[17] Dü一致密度分布及其基本一致性的概率分布,极大似然估计·Zbl公司 1200.62030·doi:10.3150/08-BEJ141
[18] Dü《对数凝聚体:与单变量对数凹面密度估计有关的计算》,J。统计软件。39第1页–(2011年)·doi:10.18637/jss.v039.106
[19] Dü梅根,L。Hü斯勒,A。鲁菲巴赫,K。2011年基于完全数据和截尾数据的对数凹密度主动集和EM算法
[20] Dü对数凹分布逼近及其在回归中的应用,人工神经网络。统计学家。39页702–(2011年)·Zbl公司 1216.62023·doi:10.1214/10-AOS853
[21] Dümbgen,从概率到统计再到回来:高维模型和过程-纪念乔恩a。Wellner第78页–(2013年)·Zbl公司 1327.62204·doi:10.1214/12-IMSCOLL907
[22] 恩格尔,自回归条件异方差与英国通货膨胀方差估计,经济计量学50页987–(1982)·Zbl公司 491.62099·内政部:10.2307/1912773
[23] 恩格尔,半参数拱模型,J。公共汽车。经济。统计学家。第9页345–(1991年)
[24] 范,重尾似然GARCH模型的拟极大似然估计(附讨论),J。公共汽车。经济。统计学家(2014年)·doi:10.1080/07350015.2013.840239
[25] Francq,纯GARCH和ARMA-GARCH过程的最大似然估计,伯努利10页605–(2004)·Zbl公司 1067.62094·doi:10.3150/bj/1093265632
[26] Francq,GARCH模型:结构、统计推断和金融应用(2010)·数字标识:10.1002/9780470670057
[27] Francq,GARCH模型的两阶段非高斯QML估计和检验高斯QML的有效性,J。计量经济学165页246–(2011年)·Zbl公司 1441.62692·doi:10.1016/j.jeconomi.2011.08.001
[28] 格兰杰,绝对收益的一些性质:风险的另一种度量,安。经济。Stat.40第67页–(1995年)
[29] Groeneboom,凸函数的估计:特征和渐近理论,人工神经网络。统计学家。第29页,1653–(2001年)·Zbl公司 1043.62027
[30] 哈斯,用拉普拉斯-高斯混合分布建模和预测市场风险,应用金融经济学16页1145–(2006)·doi:10.1080/09603100500438817
[31] 汉南,《多重时间序列》(1970)·Zbl公司 211.49804·数字标识:10.1002/9780470316429
[32] 分位数回归,J。经济。透视图。第15页143–(2001年)·doi:10.1257/jep.15.4.143
[33] 拟凹密度估计,人工神经网络。统计学家。38页2998–(2010年)·Zbl公司 1200.62031·doi:10.1214/10-AOS814
[34] Kreiss,平稳ARMA过程中的自适应估计,Ann。统计学家。15页112–(1987年)·Zbl公司 616.62042·doi:10.1214/aos/1176350256
[35] 李,非高斯创新ARMA建模,J。肛门时间序列。第9页155–(1988年)·Zbl公司 637.62079·doi:10.1111/j.1467-9892.1988.tb00461.x
[36] 林,关于具有GARCH误差的非平稳ARMA模型的自适应估计,Ann。统计学家。31页642——(2003年)·Zbl公司 1039.62084·doi:10.1214/aos/1051027884
[37] 马门,自适应位置估计中的最优平滑,J。统计学家。普兰。推论58 pp 333–(1997年)·Zbl公司 877.62033·doi:10.1016/S0378-3758(96)00085-7
[38] 奈尔德,函数最小化的单纯形算法,计算机。J。第7页308–(1965年)·Zbl公司 229.65053·doi:10.1093/comjnl/7.4.308
[39] Newey,条件异方差模型中拟极大似然估计的渐近偏差,经济计量学65页587–(1997)·Zbl公司 870.62091·内政部:10.2307/2171754
[40] Pal,课堂讲稿-专著系列54,in:复杂数据集和反问题:断层摄影术,网络和超越pp 239–(2007)·doi:10.1214/074921700000184
[41] 潘,无穷方差ARMA模型的加权最小绝对偏差估计,经济学。理论。23页852–(2007年)·Zbl公司 1237.62122·doi:10.1017/S0266466607070363
[42] 价格,差分进化:全局优化的实用方法(2005)
[43] Rockafellar,凸分析(1997)
[44] Rufibach,基于对数凹密度估计的光滑ROC曲线估计,国际期刊。生物站。第1页第8页–(2012年)·内政部:10.1515/1557-4679.1378
[45] 萨姆沃思,非参数极大似然估计独立分量分析,神经网络。统计学家。第40页2973页–(2012年)·Zbl公司 1296.62084·doi:10.1214/12-AOS1060
[46] Schuhmacher,多元对数凹分布作为一个近参数模型,统计学和风险建模28页277–(2011)·Zbl公司 1245.62060·doi:10.1524/stnd.2011.1073
[47] 塞雷金,凸变换密度的非参数估计,人工神经网络。统计学家。38页3751–(2010年)·Zbl公司 1204.62058·doi:10.1214/10-AOS840
[48] Silverman,关于用最大惩罚似然法估计概率密度函数,Ann。统计学家。第10页795–(1982年)·Zbl公司 492.62034·doi:10.1214/aos/1176345872
[49] 孙,非对称GARCH模型的半参数有效自适应估计,J。计量经济学133页373——(2006年)·Zbl公司 1345.62122·doi:10.1016/j.jeconomi.2005.03.019
[50] 陶,P-C。耶夫耶维奇。北卡罗来纳州科特戈达。1976年水文独立随机分量分布
[51] 崔达德,非对称拉普拉斯创新时间序列模型,J。统计计算。模拟。第80页1317页–(2010年)·Zbl公司 1205.62135·doi:10.1080/00949650903701088
[52] 维拉尼,《最佳交通:新旧》(2009)·Zbl公司 1156.53003·doi:10.1007/978-3-540-71050-9
[53] 沃尔特,用多尺度极大似然法检测混合的存在。阿默尔。统计学家。Assoc.97第508页–(2002年)·Zbl公司 1073.62533·doi:10.1198/01621450276047032
[54] 沃茨,D。查拉比,Y。2013年fGarch:Rmetrics-自回归条件异方差建模。R程序包版本2150.82http://cran.r-project.org/web/packages/fGarch/
[55] 夏,讨论了Cule,Samworth和Stewart,J。R。统计Soc。爵士。统计方法。72页585–(2010年)
[56] 姚,讨论了Cule,Samworth和Stewart,J。R。统计Soc。爵士。统计方法。72页588–(2010年)
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。