Inferência bootstrap para modelos autorregressivos de duração condicional

Resumo

O artigo desenvolve procedimentos bootstrap para inferência baseada em verossimilhança em modelos autorregressivos de duração condicional. Como as observações são durações registradas ao longo de um intervalo de tempo fixo, o número de observações pode ser aleatório; o comportamento assintótico também muda quando as durações têm esperança infinita. Os autores estudam dois desenhos de bootstrap recursivo: um mantém fixo o intervalo de tempo e o outro fixa o número de durações, permitindo que o intervalo varie.

A teoria relaciona os procedimentos a processos de renovação com tamanhos de amostra aleatórios. Para o desenho com contagem fixa, o artigo estabelece validade de primeira ordem em casos de média finita e de fronteira e descreve a distribuição bootstrap limite aleatória no caso de média infinita. Argumenta que estatísticas t podem continuar assintoticamente normais mesmo quando a consistência bootstrap clássica falha. São relatadas evidências de Monte Carlo para cenários de média finita e infinita, incluindo robustez à especificação incorreta em relação a uma verossimilhança exponencial, e o artigo inclui uma aplicação a ETFs de criptomoedas. O resumo não apresenta detalhes das simulações nem resultados da aplicação.

Ideias principais

• A inferência bootstrap ACD precisa considerar que o tamanho da amostra é determinado pelas durações ao longo de um intervalo de tempo.
• O artigo compara bootstraps que fixam a janela de observação com aqueles que fixam o número de durações.
• Durações com média infinita podem gerar uma distribuição bootstrap limite aleatória e desafiar a consistência clássica.
• Os autores relatam estatísticas t assintoticamente normais e propriedades favoráveis em simulações de amostras finitas.
• Uma aplicação empírica examina ETFs de criptomoedas.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.