Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > math > arXiv:0812.0449

帮助 | 高级搜索

数学 > 统计理论

arXiv:0812.0449 (math)
[提交于 2008年12月2日 ]

标题: 局部自适应估计方法及其在一元时间序列中的应用

标题: Locally adaptive estimation methods with application to univariate time series

Authors:Mstislav Elagin
摘要: 本文从理论和经验的角度统一研究了单变量时间序列中的三种局部自适应估计方法。 给出了计算临界值的一般程序。 基础模型涵盖了指数族的所有分布,提供了极大的灵活性。 这些方法被应用于符合高斯、波动性、泊松、指数和伯努利模型的模拟和真实金融数据。 数值结果表明这些方法的表现非常合理。
摘要: The paper offers a unified approach to the study of three locally adaptive estimation methods in the context of univariate time series from both theoretical and empirical points of view. A general procedure for the computation of critical values is given. The underlying model encompasses all distributions from the exponential family providing for great flexibility. The procedures are applied to simulated and real financial data distributed according to the Gaussian, volatility, Poisson, exponential and Bernoulli models. Numerical results exhibit a very reasonable performance of the methods.
评论: 投稿至电子统计期刊 (http://www.i-journals.org/ejs/) 由数理统计研究所 (http://www.imstat.org) 提交
主题: 统计理论 (math.ST) ; 统计金融 (q-fin.ST)
MSC 类: 62M10 (Primary) 62F10, 62P20 (Secondary)
引用方式: arXiv:0812.0449 [math.ST]
  (或者 arXiv:0812.0449v1 [math.ST] 对于此版本)
  https://doi.org/10.48550/arXiv.0812.0449
通过 DataCite 发表的 arXiv DOI
期刊参考: IMS-EJS-EJS_2008_336

提交历史

来自: Mstislav Elagin [查看电子邮件]
[v1] 星期二, 2008 年 12 月 2 日 09:16:18 UTC (218 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • 其他格式
查看许可
当前浏览上下文:
math.ST
< 上一篇   |   下一篇 >
新的 | 最近的 | 2008-12
切换浏览方式为:
math
q-fin
q-fin.ST
stat
stat.TH

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号