Бутстрэп-вывод для моделей авторегрессионной условной длительности

Сводка

В статье разрабатываются бутстрэп-процедуры для вывода на основе функции правдоподобия в моделях авторегрессионной условной длительности. Поскольку наблюдения — это длительности, зафиксированные в пределах заданного временного интервала, число наблюдений может быть случайным; асимптотическое поведение также меняется, когда математическое ожидание длительностей бесконечно. Авторы изучают две рекурсивные схемы бутстрэпа: одна фиксирует временной интервал, другая — число длительностей, позволяя интервалу меняться.

Теория связывает эти процедуры с процессами восстановления при случайном размере выборки. Для схемы с фиксированным числом наблюдений в статье доказывается состоятельность первого порядка в случаях конечного среднего и на границе, а также описывается случайное предельное распределение бутстрэпа при бесконечном среднем. Утверждается, что t-статистики могут оставаться асимптотически нормальными даже там, где нарушается классическая состоятельность бутстрэпа. Приводятся результаты Монте-Карло для случаев конечного и бесконечного среднего, включая устойчивость к неверной спецификации относительно экспоненциального правдоподобия; также рассматривается пример с криптовалютными ETF. В аннотации нет подробностей параметров симуляции или результатов примера.

Ключевые идеи

• Для бутстрэп-вывода ACD необходимо учитывать, что размер выборки определяется длительностями за временной интервал.
• В статье сравниваются бутстрэп-процедуры с фиксированным окном наблюдений и процедуры с фиксированным числом длительностей.
• Длительности с бесконечным средним могут приводить к случайному предельному распределению бутстрэпа и ставить под сомнение классическую состоятельность.
• Авторы сообщают об асимптотически нормальных t-статистиках и благоприятных свойствах симуляций на конечных выборках.
• В эмпирическом примере рассматриваются криптовалютные ETF.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.