Notice bibliographique
Résumé
ABSTRACT Ullah and Wang ( Journal of Time Series Analysis , 46 (4), 748–773) introduced a novel nonparametric estimator for the volatility function that leverages the mode to complement traditional mean‐based volatility measures, thereby highlighting unique features of the data. In this paper, we extend their framework to estimate traditional mean volatility by proposing a new approach, termed robust mode‐oriented volatility . Our method treats the bandwidth parameter associate with the kernel objective function as a constant rather than a shrinkage parameter, prioritizing robustness and efficiency while maintaining its foundation in the mode‐based framework. We demonstrate that under ‐mixing time series dependence, the proposed robust estimator retains the same asymptotic distribution as estimators derived under independence assumptions, while achieving the convergence rate of nonparametric mean regression. Furthermore, we theoretically establish that efficiency gains over traditional mean‐based estimation can be realized by appropriately adjusting the bandwidth, particularly in the presence of outliers or heavy‐tailed distributions. In contrast to Ullah and Wang ( Journal of Time Series Analysis , 46 (4), 748–773), which focused on capturing volatility structures specific to the mode, our approach broadens the applicability of their framework by integrating it with traditional mean volatility estimation. The discussions on bandwidth selection and numerical examples highlight the finite sample performance and practical advantages of our robust estimation procedure.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».