Inferencia bootstrap para modelos de duración condicional autorregresiva

Resumen

El artículo desarrolla procedimientos bootstrap para la inferencia basada en verosimilitud en modelos de duración condicional autorregresiva. Como las observaciones son duraciones registradas durante un intervalo de tiempo fijo, el número de observaciones puede ser aleatorio; el comportamiento asintótico también cambia cuando las duraciones tienen esperanza infinita. Los autores estudian dos diseños bootstrap recursivos: uno mantiene fijo el intervalo de tiempo y el otro fija el número de duraciones mientras permite que varíe el intervalo.

La teoría relaciona los procedimientos con procesos de renovación con tamaños de muestra aleatorios. Para el diseño con un número fijo de observaciones, el artículo establece validez de primer orden en casos de media finita y de frontera, y describe la distribución bootstrap límite aleatoria en el caso de media infinita. Sostiene que los estadísticos t pueden seguir siendo asintóticamente normales incluso cuando falla la consistencia bootstrap clásica. Se presentan pruebas de Monte Carlo para casos de media finita e infinita, incluida la robustez frente a una especificación incorrecta en comparación con una verosimilitud exponencial, y el artículo incluye una aplicación a ETF de criptomonedas. El resumen no ofrece detalles de la configuración de las simulaciones ni resultados de la aplicación.

Ideas clave

• La inferencia bootstrap ACD debe tener en cuenta que el número de observaciones viene determinado por las duraciones de un intervalo temporal.
• El artículo compara bootstrap que fijan la ventana de observación con otros que fijan el número de duraciones.
• Las duraciones con media infinita pueden generar una distribución bootstrap límite aleatoria y poner en cuestión la consistencia clásica.
• Los autores informan de estadísticos t asintóticamente normales y resultados favorables en simulaciones de muestra finita.
• Una aplicación empírica examina ETF de criptomonedas.

Etiquetas

# Bootstrapping autoregressive duration models


# Bootstrapping autoregressive duration models









This paper develops bootstrap methods for likelihood-based inference in autoregressive conditional duration (ACD) models, where the sample size is endogenously determined by durations observed over a fixed time span. This feature fundamentally shapes the asymptotic framework, particularly so when the durations do not have finite expectation. Building on recent limit theory for heavy-tailed and integrated ACD processes, we analyze recursive bootstrap schemes that either fix the time span (yielding a random sample size) or fix the number of durations (yielding a random time span). We establish a bootstrap theory for ACD models that links naturally to renewal theory with random sample sizes. For the fixedcount bootstrap, we prove first-order validity in the finite-mean and boundary cases and characterize the random limiting bootstrap distribution in the infinite-mean case. Although classical bootstrap consistency can fail when the durations have infinite expectation, we argue that the bootstrap remains valid and yields asymptotically normal t-statistics. Monte Carlo evidence shows that the proposed methods have good finite-sample properties in both finite- and infinite-mean settings, and are robust to distributional misspecification relative to the exponential likelihood. We conclude with an empirical application to cryptocurrency ETFs.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.