Power-law cross-correlations estimation under heavy tails
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F16%3A00472030" target="_blank" >RIV/67985556:_____/16:00472030 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/00216208:11230/16:10324303
Výsledek na webu
<a href="http://dx.doi.org/10.1016/j.cnsns.2016.04.010" target="_blank" >http://dx.doi.org/10.1016/j.cnsns.2016.04.010</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1016/j.cnsns.2016.04.010" target="_blank" >10.1016/j.cnsns.2016.04.010</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Power-law cross-correlations estimation under heavy tails
Popis výsledku v původním jazyce
We examine the performance of six estimators of the power-law cross-correlations -- the detrended cross-correlation analysis, the detrending moving-average cross-correlation analysis, the height cross-correlation analysis, the averaged periodogram estimator, the cross-periodogram estimator and the local cross-Whittle estimator -- under heavy-tailed distributions. The selection of estimators allows to separate these into the time and frequency domain estimators. By varying the characteristic exponent of the $alpha$-stable distributions which controls the tails behavior, we report several interesting findings. First, the frequency domain estimators are practically unaffected by heavy tails bias-wise. Second, the time domain estimators are upward biased for heavy tails but they have lower estimator variance than the other group for short series. Third, specific estimators are more appropriate depending on distributional properties and length of the analyzed series. In addition, we provide a discussion of implications of these results for empirical applications as well as theoretical explanations.
Název v anglickém jazyce
Power-law cross-correlations estimation under heavy tails
Popis výsledku anglicky
We examine the performance of six estimators of the power-law cross-correlations -- the detrended cross-correlation analysis, the detrending moving-average cross-correlation analysis, the height cross-correlation analysis, the averaged periodogram estimator, the cross-periodogram estimator and the local cross-Whittle estimator -- under heavy-tailed distributions. The selection of estimators allows to separate these into the time and frequency domain estimators. By varying the characteristic exponent of the $alpha$-stable distributions which controls the tails behavior, we report several interesting findings. First, the frequency domain estimators are practically unaffected by heavy tails bias-wise. Second, the time domain estimators are upward biased for heavy tails but they have lower estimator variance than the other group for short series. Third, specific estimators are more appropriate depending on distributional properties and length of the analyzed series. In addition, we provide a discussion of implications of these results for empirical applications as well as theoretical explanations.
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
AH - Ekonomie
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GP14-11402P" target="_blank" >GP14-11402P: Analýza dvoudimenzionální dlouhé paměti ve finančních časových řadách</a><br>
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2016
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Communications in Nonlinear Science and Numerical Simulation
ISSN
1007-5704
e-ISSN
—
Svazek periodika
40
Číslo periodika v rámci svazku
1
Stát vydavatele periodika
NL - Nizozemsko
Počet stran výsledku
10
Strana od-do
163-172
Kód UT WoS článku
000377294100015
EID výsledku v databázi Scopus
2-s2.0-84964868782