-
题名重尾门限ACD模型的LAD推断
- 1
-
-
作者
傅可昂
钱虹宇
陈颖瑜
-
机构
浙大城市学院数字金融研究院
浙大城市学院统计与数据科学系
浙江工商大学统计与数学学院
-
出处
《高校应用数学学报(A辑)》
北大核心
2025年第2期145-158,共14页
-
基金
浙江省自然科学基金(LY23A010001)。
-
文摘
针对门限自回归条件持续期模型,在允许误差方差无穷的条件下,构造模型参数的最小一乘估计,并证明了该估计的局部渐近正态性.数值模拟说明在随机误差服从重尾分布的条件下,最小一乘估计比拟极大似然估计更稳健,最后将其应用于中远海能股票的价格持续期建模.
-
关键词
自回归条件持续期模型
最小一乘估计
渐近正态性
价格持续期
-
Keywords
autoregressive conditional duration
least absolute deviation estimation
asymptotic normality
price duration
-
分类号
O212.1
[理学—概率论与数理统计]
-
-
题名基于模型的不等间隔时间序列聚类算法研究
被引量：2
- 2
-
-
作者
张小涛
李翠玉
-
机构
天津大学管理学院
天津工业大学纺织学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2008年第6期166-168,共3页
-
基金
国家自然科学基金(the National Natural Science Foundation of Chinaunder Grant No.70601021)
天津大学管理学院青年基金。
-
文摘
现有的聚类算法一般只能处理以固定间隔表示的数据类型,而忽略了时间轴的变化。基于倒谱距离测度和自回归条件持续期(ACD)模型的聚类方法综合了计量模型的参数估计和聚类的非参无监督分类的优点,是一种适合处理不等间隔时间序列的技术。实验结果证明这种方法是有效的,从中得出的结论与市场微观结构理论也是相吻合的。
-
关键词
聚类
不等间隔
自回归条件持续期
距离测度
-
Keywords
clustering
irregular interval
autoregressive conditional duration
metric of distance
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名ACD模型自加权LAD估计的渐近性质
被引量：1
- 3
-
-
作者
傅可昂
吴梦雪
黄炜
王江峰
-
机构
浙大城市学院计算机与计算科学学院
浙江工商大学统计与数学学院
浙江大学数学科学学院
-
出处
《高校应用数学学报（A辑）》
北大核心
2020年第3期253-264,共12页
-
基金
国家自然科学基金(11971432,11301481)
浙江省一流学科A类(浙江工商大学统计学)。
-
文摘
针对高频数据建模中常用的自回归条件持续期(ACD)模型,在允许误差方差无穷的条件下,构造模型参数的自加权最小一乘(SLAD)估计,并证明了该估计的相合性和渐近正态性.数值模拟显示SLAD估计比拟极大似然估计和最小一乘估计更稳健,最后将其应用于青岛海尔和宝信软件这两只股票的价格持续期建模.
-
关键词
自回归条件持续期模型
自加权最小一乘估计
相合性
渐近正态性
价格持续期
-
Keywords
autoregressive conditional duration
self-weighted least absolute deviation estimation
consistency
asymptotic normality
price duration
-
分类号
O212.1
[理学—概率论与数理统计]
-
-
题名基于ACD模型的网络数据流时域微观特性分析
被引量：1
- 4
-
-
作者
徐正国
郑辉
邓月华
-
机构
盲信号处理国家科技重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2016年第17期11-15,共5页
-
文摘
对网络中不同类型的数据流,应用自回归条件持续期模型(ACD),分析其中存在的时域微观特性,并研究ACD模型对网络数据流时序建模的适用性。使用ACD模型为具有随机到达过程的网络数据流时间序列建模,其优点是能够在不损失原始非等间隔时间序列特性的条件下,直接分析得到数据流的时域微观性质。在对实验数据集统计特性进行研究的基础上,得出数据包到达过程适用ACD模型的基本依据,采用ACD(2,1)模型对不同类型的网络数据流时间序列进行建模,结果表明其具有较好的拟合程度。
-
关键词
自回归条件持续期
网络数据流
非等间隔采样
时间序列
-
Keywords
autoregressive conditional duration
network flow
unevenly sampling
time series
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
