统计一天的成交，就像在固定营业时间里数顾客：时间不变，人数却不会固定。高频交易也是如此。ACD（自回归条件成交间隔）模型用过去两笔成交之间等了多久，来描述下一笔还要等多久；但传统推断常把样本数当作事先定好的，容易忽略“成交笔数本身也是随机的”。这篇论文重做了Bootstrap——从现有数据反复重抽样、重新估计，以衡量结果有多不确定——专门处理这一现实。
作者比较两种递归Bootstrap：一种保留原来的日历时段，让成交笔数随机；另一种固定实际成交笔数，让覆盖的时间随机。最值得注意的是后者。它看起来不像真实的数据采集过程，却更稳定：当成交间隔呈重尾，即极长等待虽少见却更容易发生，甚至平均间隔不存在时，固定笔数Bootstrap无法复现估计量完整的无条件分布，但论文证明，常用的百分位数与反百分位数区间仍具一阶有效性，标准化后的t统计量也仍趋于正态。作者的Monte Carlo模拟还显示，这套方法在有限均值和无限均值情形下都有较好的有限样本表现，并能承受相对指数似然的分布设定偏差。