通用时间序列的Hannan与Quinn准则
统计理论
2021-01-13 v1 机器学习
机器学习
统计理论
摘要
本文旨在研究一大类时间序列的数据驱动模型选择准则，该类包含ARMA或AR()过程，以及GARCH或ARCH()、APARCH与许多其他过程。我们攻克了设计具有强相合性之自适应准则这一难题。当观测由上述任一模型生成时，新准则几乎必然渐近地选择真模型。所提准则基于类似于Hannan与Quinn准则的惩罚对比最小化，因而涉及一项对多数经典时间序列模型已知、对更复杂模型可数据驱动标定的项。我们进行了蒙特卡洛实验，并在CAC 40指数上给出说明性实例以凸显所得结果。
引用
@article{arxiv.2101.04210,
title = {General Hannan and Quinn Criterion for Common Time Series},
author = {Kare Kamila},
journal= {arXiv preprint arXiv:2101.04210},
year = {2021}
}