We develop two new estimators for a

We develop two new estimators for a general class of stationary GARCH models with possibly
heavy tailed asymmetrically distributed errors, covering processes with symmetric and asymmet-
ric feedback like GARCH, Asymmetric GARCH, VGARCH and Quadratic GARCH. The first
estimator arises from negligibly trimming QML criterion equations according to error extremes.
The second imbeds negligibly transformed errors into QML score equations for a Method of
Moments estimator. In this case, we exploit a sub-class of redescending transforms that includes
tail-trimming and functions popular in the robust estimation literature, and we re-center the
transformed errors to minimize small sample bias. The negligible transforms allow both identifi-
cation of the true parameter and asymptotic normality. We present a consistent estimator of the
covariance matrix that permits classic inference without knowledge of the rate of convergence.
A simulation study shows both of our estimators trump existing ones for sharpness and approx-
imate normality including QML, Log-LAD, and two types of non-Gaussian QML (Laplace and
Power-Law). Finally, we apply the tail-trimmed QML estimator to financial data.

結果 (中文) 1:

我们可能发展平稳 GARCH 模型与一般类的两个新估计厚尾不对称地分布的误差，涵盖流程与对称和 asymmet-像 GARCH、 不对称的 GARCH、 VGARCH 和二次 GARCH ric 反馈。第一次估计出现从微不足道地修剪错误极端 QML 准则方程组。第二个这个微不足道地转换的错误到 QML 积分方程的一种方法矩估计。在这种情况下，我们利用一个子类的变换重新下降，其中包括尾巴修整和功能在鲁棒估计文献中，最受欢迎和我们重新居中转换误差尽量小样本偏差。可以忽略不计的转换还允许两个保证书-阳离子的真实参数和渐近正态性。我们目前的相合估计允许没有知识的收敛速度的经典推理的协方差矩阵。仿真研究表明这两种现有的锐度和约-我们估计特朗普的模仿正常包括 QML，日志-利安达和两种类型的非高斯 QML (拉普拉斯和Power-Law)。最后，我们的尾巴修剪 QML 估计适用财务数据。

結果 (中文) 3:

我们开发了两个新的估计平稳GARCH模型的一个通用类的可能
重尾分布不均的错误，包括对称和不对称的过程-
RIC反馈像GARCH，非对称GARCH，vgarch和二次GARCH。第一
估计来自于可以忽略不计的微调QML准则方程根据错误的极端。
第二嵌入转换误差可以忽略不计的一
QML积分方程矩估计法。在这种情况下，我们利用回降的子类变换，包括
尾修整和功能受欢迎的稳健估计的文献，我们中心的
转换误差最小化的小样本偏差。可以将允许识别
真实参数的阳离子和渐近正态性。我们目前的
协方差矩阵允许经典推理没有收敛速度的知识一致的估计。
仿真研究表明我们的估计比现有的锐度和近似
iMate常态包括QML，日志的小伙子，和两种类型的非高斯QML（Laplace和
幂）。最后，我们把尾巴修剪QML估计财务数据。