產生回報和假設檢驗的參數引導
我正在嘗試檢驗從投資組合收益計算的統計數據的假設。為此，我估計了原始回報序列的模型，並希望使用參數引導獲得 100 個引導序列。我對兩種方法感到矛盾。但首先讓我說我獲得了新的回報作為平均值加上一系列重新採樣的殘差
$ r = \mu + \varepsilon $
所以我正在考慮的兩種方法：
- 使用原始收益估計模型
- 使用模型中的均值和重採樣殘差獲得一系列新的收益
- 估計新系列上的模型
- 獲得新系列等等…
簡而言之，我每次都重新採樣新的回報，所以每次迭代我都會獲得一個新的系列。
- 估計原始收益的模型
- 使用模型中的均值和重採樣殘差獲得 100 個新的回歸序列（每個重採樣序列當然不同）
我想知道哪種方法是參數引導的正確方法。為了簡單起見，我不包括模型和測試統計的任何細節，因為這裡只有獲取新回報系列的方法很重要。
**編輯：**提供更多資訊。整個過程簡化如下：我有一系列收益，我估計一個 GARCH 模型，在樣本中創建兩個資產配置策略，計算一個顯示哪個策略更好的統計數據。現在我想知道結果是否具有統計意義。為此，我想使用估計的 GARCH 模型進行參數引導。我拿 $ \mu $ 從模型中添加重新採樣的標準化殘差以獲得 $ n $ 新系列的回報。在每個引導序列上，我再次估計 GARCH 模型，再次解決資產分配問題（並獲得與初始執行不同的資產權重），計算統計量並從所有 $ n $ 我計算最終的 p 值來查看結果是否具有統計顯著性。
可以確定的只是一個後續問題：在解決了初始資產分配問題並獲得了權重之後，我進行了引導以獲得 $ n $ 新系列的回報。我是否對這些系列應用相同的權重，看看一個資產配置策略是否優於另一個，或者我是否從頭開始解決每個自舉系列的問題，從而每次獲得不同的權重集？
**編輯2：**我發現一篇與我的研究類似的論文，但是，它使用了一種奇怪的引導方法，因為在某些步驟中它使用了原始回報，而在某些步驟中則使用了引導方法。片段中提到的方程 (1)-(3) 是 GJR-GARCH 模型的方程。這種迭代方法在某種程度上類似於我在第 1 點中描述的方法是否正確，在某些步驟中獲取原始回報，在其他步驟中獲取新的引導序列？
參數引導的正確程序是：
- 用參數族的分佈擬合數據（正態、Student’s t 等；你應該選擇以最佳方式擬合數據的那個，使用一些標準來選擇，例如 Akaike Information Criteria 或其他）；
2）從擬合分佈中抽取n個隨機樣本，並估計每個樣本的感興趣數量；
- 取這些量的樣本均值。
這是你需要的嗎？