Conditional Quantile Processes based on Series or Many Regressors
Quantile regression (QR) is a principal regression method for analyzing the impact of covariates on outcomes. The impact is described by the conditional quantile function and its functionals. In this paper we develop the nonparametric QR-series framework, covering many regressors as a special case, for performing inference on the entire conditional quantile function and its linear functionals. In this framework, we approximate the entire conditional quantile function by a linear combination of series terms with quantile-specific coefficients and estimate the function-valued coefficients from t…
2018-08-09 econ.EM math.ST stat.ME
Some novel aspects of quantile regression: local stationarity, random forests and optimal transportation
本文纪念 Marc Hallin 教授，提出非标准环境下分位数估计的理论与方法进展，包括非平稳时间序列和大维协变量下多变量独立数据的条件分位数估计，并通过 Monte Carlo 研究验证方法性能。
2023-09-09 stat.AP
Change Point Detection in Nonstationary Sub-Hourly Wind Time Series
本文提出了一种变点检测方法，用于检测多变量非平稳风速时间序列中的变点。变点法识别协方差结构的变化，并将非平稳多变量时间序列分解为平稳段。我们还提出了参数和非参数模拟技术来模拟每个固定段内的新风时间序列。所提出的仿真方法保留了原始时间序列的统计特性，因此，可以用于基于仿真的电力系统规划和运行问题的分析。我们证明的能力的变化点检测方法，通过计算实验进行风速时间序列在5分钟的分辨率。我们还进行了经济调度问题的实验，以说明在风力发电的非平稳性对传统发电和位置边际价格的影响。
2021-05-24 cs.SY eess.SY stat.AP
Prediction of quantiles by statistical learning and application to GDP forecasting
在本文中，我们解决的问题，预测和置信区间的时间序列使用的统计学习方法和分位数损失函数。在第一次，我们表明，吉布斯估计（也被称为指数加权聚合）是能够预测，以及在一个给定的家庭中的最佳预测广泛的损失函数。特别是，使用Koenker和Bassett（1978）的分位数损失函数，可以建立置信区间。我们将这些结果应用于法国国内生产总值（GDP）增长的预测和置信区域的问题，有希望的结果。
2012-08-08 math.ST stat.TH
Statistical Estimation for Covariance Structures with Tail Estimates using Nodewise Quantile Predictive Regression Models
本文针对带尾部估计的协方差结构，提出用分位数预测回归估计VaR-CoVaR风险矩阵，还构建了无调优参数、具有一致性的FOCE变量选择算法，经真实与模拟数据集验证可用于网络系统性风险建模。
2023-07-24 econ.EM stat.ME
Quantile Fourier Transform, Quantile Series, and Nonparametric Estimation of Quantile Spectra
IBM T. J. Watson Research Center（IBM T.J. 沃森研究中心）
本文提出非参数方法估计分位数谱及交叉谱，基于分位数离散傅里叶变换和分位数序列，利用滞后窗方法构建自协方差函数估计谱，通过平滑技术减少统计波动，通过模拟研究评估方法性能。
2025-11-25 stat.CO stat.ME
quantreg.nonpar: An R Package for Performing Nonparametric Series Quantile Regression
R包quantreg.nonpar实现了非参数分位数回归方法来估计部分线性分位数模型并进行推断。quantreg.nonpar基于对模型的非参数部分的系列近似来获得条件分位数函数及其导数的点估计。它还提供了逐点和均匀的置信区间的协变量值和/或分位数指数的相同功能，使用分析和重新排序方法的区域。本文介绍了该软件包，并展示了其中包含的函数的基本功能。
2016-10-26 econ.EM stat.CO
Quantile Regression for Location-Scale Time Series Models with Conditional Heteroscedasticity
本文研究了一类广泛的时间序列模型的分位数回归问题，其中包括具有非对称GARCH误差的ARMA模型。经典的均值-方差模型被重新解释为条件的位置-尺度模型，使分位数回归方法可以自然地适应所考虑的模型。在较弱的条件下，证明了位置-尺度时间序列模型中分位数回归估计的相合性和渐近正态性。在将这一结果应用于ARMA-AGG模型时，得到了更为原始的条件，从而得到了渐近性质。为了说明，提供了模拟研究和实际数据分析。
2015-02-28 stat.ME
Hybrid Quantile Regression Estimation for Time Series Models with Conditional Heteroscedasticity
金融时间序列的条件分位数估计对于风险管理和金融领域的许多其他应用是必不可少的。众所周知，金融时间序列具有条件异方差性。在众多的条件异方差模型中，广义自回归条件异方差（GARCH）过程是最流行和最有影响力的一个。到目前为止，可行的分位数回归方法，这项任务已被限制到一个变种的Gestival模型，线性Gestival模型，由于其易于处理的条件分位数结构。本文考虑了广泛使用的Gestival模型。一个易于实现的混合条件分位数估计程序开发的基础上，一个简单的，但非平凡的变换。所提出的估计量和统计量的渐近性质的推导，这有利于相应的推论。为了近似的渐近分布的分位数回归估计，我们引入了一个混合的自举过程，其中一个耗时的优化被替换为样本平均。此外，基于残差分位数自相关函数的诊断工具被构造来检查拟合的条件分位数的充分性。仿真实验进行了评估所提出的方法的有限样本性能。的条件分位数估计和推理工具的有用性的良好性能进一步说明了实证应用。
2016-10-24 stat.ME
Sequential Quantiles via Hermite Series Density Estimation
序贯分位数估计是指以增量方式将观测值合并到分位数估计值中，从而在任何给定时间点提供一个或多个分位数的在线估计值。序贯分位数估计也称为在线分位数估计。这个领域与数据流分析和大规模数据集的一次性分析有关。应用包括网络流量和延迟分析、实时欺诈检测和高频交易。在静态分位数估计和动态分位数估计的背景下，提出了基于Hermite级数估计的在线分位数估计新方法。在静态分位数估计设置中，我们以一种新的方式应用现有的Gauss-Hermite展开。特别是，我们利用高斯-厄米系数可以按顺序更新的事实。为了处理动态分位数估计，我们引入了一种新的扩展与指数加权估计的高斯-厄米特系数，我们称之为指数加权高斯-厄米特（EWGH）的扩展。这些算法超越了现有的顺序分位数估计算法，因为它们允许在任何时间点估计任意分位数（与预先指定的分位数相反）。在这样做，我们提供了一个解决方案，在线分布函数和在线分位数函数估计的数据流。特别是，我们推导出的CDF的解析表达式，并证明在一定条件下的CDF的一致性结果。此外，我们分析了相关的分位数估计。仿真研究和实际数据的测试表明，基于高斯-厄米特算法是具有竞争力的领先的现有算法。
2017-03-04 stat.CO stat.ML
Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
针对多元非平稳时间序列预测与不确定性量化问题，提出ABF-T-GLCP框架，通过学习自适应预测状态表示，结合预测与共形校准模块，实验表明该框架能提升预测准确性、缩小区间，且应用范围广。
2026-07-28 cs.LG stat.AP stat.ME
Spline Autoregression Method for Estimation of Quantile Spectrum
IBM T. J. Watson Research Center（IBM 托马斯·J·沃森研究中心）
本文提出样条自回归方法用于估计时间序列的量纲谱，通过量纲离散傅里叶变换和时间域量纲序列，利用平滑样条建模量纲水平与自回归系数的关系，验证了该方法在非线性动态中的有效性。
2025-11-25 stat.ME
Inference for non-stationary time series quantile regression with inequality constraints
针对带不等式约束的非平稳线性分位数回归，本文利用投影几何不变性构造Wald、似然比和基于秩的一致推断方法，并通过模拟与电力需求数据验证其优势。
2024-04-04 stat.ME
Recursive Multiple Change Point Detection of Nonstationary Time Series: Instability Tests, Estimation and Confidence Intervals
Tsinghua University（清华大学）；University of Toronto（多伦多大学）
本研究提出BARBS方法用于非平稳时间序列多变点检测，经数值实验和美国通胀数据分析验证，其稳健性与性能优于现有方法，可准确识别变点。
2026-08-18 stat.ME
Nonparametric quantile regression for time series with replicated observations and its application to climate data
本文提出了一个无模型的非参数估计的条件分位数的时间序列回归模型，其中的协变量向量是重复多次的响应值。这种类型的数据在气候研究中比比皆是。为了解决这些问题，我们提出的方法利用数据的复制性质，并改进了传统的分位数回归的限制性线性模型结构。在一个非常一般的框架下，导出了模型均值和方差函数的非参数估计的相关渐近理论。我们提供了一个详细的模拟研究，它清楚地表明了所提出的方法在效率上优于其他基准模型，特别是当真正的数据生成过程需要非线性均值函数和异方差模式与时间相关的协变量。当注意力集中在感兴趣变量的较高分位数时，非参数方法的预测准确性显著高于其他方法。最后，以一个著名的热带气旋风速资料和一个空气污染资料为例，说明了该方法的有效性。
2021-07-06 stat.ME
Conformal Prediction with Temporal Quantile Adjustments
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；MIT（麻省理工学院）
我们开发了时间分位数调整（TQA），一个通用的方法来构建有效的和有效的预测区间（PI）的回归横截面时间序列数据。这种数据在许多领域都很常见，包括计量经济学和医疗保健。医疗保健中的一个典型示例是使用生理时间序列数据预测患者结果，其中患者群体构成横截面。在这种情况下，可靠的PI估计必须解决两个不同的覆盖范围概念：横截面切片的横截面覆盖范围，以及每个时间序列沿时间维度的纵向覆盖范围。最近的工作已经探索了适应共形预测（CP）以在时间序列上下文中获得PI。然而，没有一个国家同时处理这两种覆盖概念。CP方法通常从校准集上的不合格分数分布中查询预先指定的分位数。TQA在每次$t$调整CP中查询的分位数，以理论上有根据的方式考虑横截面和纵向覆盖率。TQA的事后性质便于将其用作任何时间序列回归模型的通用包装器。我们通过大量的实验验证了TQA的性能：TQA通常获得有效的PI，并提高纵向覆盖率，同时保持横截面覆盖率。
2022-05-23 cs.LG stat.ME stat.ML
Deep sub-ensembles meets quantile regression: uncertainty-aware imputation for time series
Department of Computer and Information（计算机与信息系）；Hefei University of Technology（合肥工业大学）；Dept. of Comp. Sci. & Tech.（计算机科学与技术系）；Tsinghua University（清华大学）
本文提出Quantile Sub-Ensembles方法，结合分位数回归和非生成框架，实现时间序列缺失值填补的高可靠性与高效性。
2025-12-01 cs.LG stat.ML
Stationary subspace analysis based on second-order statistics
本文提出基于二阶统计量的平稳子空间分析方法，可检测均值、方差和自相关中的非平稳性，并通过模拟验证其有效性。
2021-03-10 stat.ME
Dynamic Quantile Function Models
出于有效地总结，建模和预测日内收益的分布特征的需要，以及最近在符号数据分析领域预测直方图值时间序列的工作，我们开发了一个时间序列模型，用于预测分位数函数值（QF值）每日摘要日内收益。我们称之为动态分位数函数（DQF）模型。代替直方图，我们建议使用$g$ -和- $h$分位数函数来总结日内收益率的分布。我们的工作与贝叶斯制定的DQF模型，以使统计推断，同时占参数的不确定性，一个有效的MCMC算法开发的采样为基础的后验推理。使用10个国际市场指数和每个市场约2，000天的样本外数据，DQF模型的表现优于区间值和直方图值时间序列模型，在预测日内收益率的风险价值方面。此外，我们证明了QF值的预测可以用来预测风险价值的措施，在日常的时间尺度上通过一个简单的分位数回归模型的每日收益率（QR-DQF）。在某些市场中，由此产生的QR-DQF模型能够提供具有竞争力的每日回报的VaR预测。
2021-05-04 q-fin.RM stat.AP stat.ME
Quantile autoregressive conditional heteroscedasticity
本文提出一种基于分位数回归过程框架的条件异方差时间序列模型，该模型在不同分位数水平下提供变化结构，并包含GARCH模型作为特例，通过自加权QR和CQR估计量处理重尾分布并外推高分位数，具有渐近性质，模拟和实证验证了其有效性。
2023-11-13 stat.ME
Weighted quantile estimators
本文提出一种通用加权方案，用于构建传统、Harrell-Davis及其截尾修正等多种分位数估计量的加权版本，并应用于时间序列尾部分布估计和加权混合分布分位数估计。
2023-04-14 stat.ME
Generalized method of L-moment estimation for stationary and nonstationary extreme value models
XRAI Inc.（XRAI公司）；Chonnam National University（全南国立大学）；Mahasarakham University（玛哈沙拉堪大学）
本文提出广义L矩估计法（GLME）用于平稳和非平稳极值模型，通过引入惩罚函数或先验信息校正LME的偏差，提升估计精度。
2025-12-23 stat.AP stat.CO stat.ME
Computer Model Calibration with Time Series Data using Deep Learning and Quantile Regression
University of Cincinnati（辛辛那提大学）；Miami University（迈阿密大学）；Argonne National Laboratory（阿贡国家实验室）
计算机模型在许多科学和工程问题中起着关键作用。计算机模型实验中不确定性的一个主要来源是输入参数不确定性。计算机模型校正是一个正式的统计过程，通过结合来自模型运行和观测数据的信息来推断输入参数。当模型输出和观测数据是高维相关数据（例如大型时间序列）时，现有的标准校准框架由于难以构建仿真器以及输入参数和数据-模型差异的影响之间的不可识别性而遭受推理问题。为了克服这些挑战，我们提出了一个新的校准框架的基础上，深度神经网络（DNN）的长期短期记忆层，直接模拟模型输出和输入参数之间的反比关系。采用“带噪声学习”的思想，我们训练我们的DNN模型，以过滤数据模型差异对输入参数推断的影响。我们还制定了一种新的方法来构建区间预测DNN使用分位数回归量化输入参数估计的不确定性。通过WRF水文模型的模拟研究和实际数据应用，我们表明，我们的方法可以得到准确的点估计和良好的校准输入参数的区间估计。
2020-09-08 cs.LG stat.ME stat.ML
Graphical models for nonstationary time series
我们提出了NonStGM，一个通用的非参数图形建模框架，用于研究非平稳多元时间序列的组成部分之间的动态关联。它建立在高斯图模型（GGM）和平稳时间序列高斯图模型（StGM）的框架上，并补充了现有的基于变点向量自回归（VAR）的参数图模型的工作。类似于StGM，所提出的框架捕获条件的非相关性（跨期和同期）的形式的无向图。此外，为了描述时间序列的组件之间的更细微的非平稳关系，我们引入了新的概念，条件非平稳性/平稳性，并将其纳入图形架构。这使得人们能够区分系统组件之间的直接和间接非平稳关系，并可用于搜索作为大型系统中非平稳性的“源”的小型子网。条件非相关性和非平稳性/平稳性这两个概念共同提供了对时间序列的依赖结构的简洁描述。
2022-03-20 math.ST stat.TH
Auxiliary Quantile Forecasting with Linear Networks
University of Hildesheim（希尔德斯海姆大学）
我们提出了一种新的多任务方法，用于共享线性层的分位数预测。我们的方法是基于隐式分位数学习方法，其中来自均匀分布$\mathcal{U}(0, 1)$的样本被重新参数化为目标分布的分位数值。我们结合隐式分位数和输入时间序列表示，直接预测多个分位数估计多个视野联合。先前的工作已经采用了线性层，用于在多任务学习设置中直接估计所有预测范围。我们表明，根据多任务学习的类似直觉，利用预测范围之间的相关性，我们可以为每个预测范围建模多个分位数估计作为辅助任务，以提高分位数估计的预测准确性，而不是仅建模单个分位数估计。我们发现学习辅助分位数任务导致确定性预测基准的最先进的性能，关于预测50 $^{th}$百分位估计的主要任务。
2022-12-05 cs.LG stat.ME
Probabilistic water demand forecasting using quantile regression algorithms
University of Patras（帕特雷大学）；Roma Tre University（罗马第三大学）；National Technical University of Athens（雅典国立技术大学）
机器和统计学习算法可以可靠地自动化并大规模应用。因此，它们可以成为设计实用预测系统的重要资产，例如与城市用水需求有关的预测系统。分位数回归算法是一种统计和机器学习算法，可以以简单的方式提供概率预测，迄今为止尚未应用于城市需水量预测。在这项工作中，我们的目标是填补这一空白，自动化和广泛比较几个基于分位数回归的实用系统的概率提前一天的城市用水量预测。为了设计实际的系统，我们使用五个单独的算法（即，分位数回归、线性提升、广义随机森林、梯度提升机和分位数回归神经网络算法），它们的均值组合器和中值组合器。比较是通过利用一个大型的城市水流量数据集，以及几种类型的水文气象时间序列（被认为是预测设置中的外生预测变量）。结果大多有利于使用线性升压算法设计的实际系统，可能是由于城市水流量时间序列中存在的趋势。平均值和中位数组合的预测也被发现是熟练的一般条款。
2021-04-16 cs.LG stat.ME stat.ML
Sequential Predictive Conformal Inference for Time Series
Georgia Institute of Technology（佐治亚理工学院）
本文提出序贯预测共形推断（SPCI）算法，通过利用时间序列残差的时间依赖性自适应估计条件分位数，解决不可交换序列的共形预测问题，并在保证覆盖率的同时显著缩小预测区间宽度。
2023-05-30 cs.LG stat.ME stat.ML
Inference of weighted $V$-statistics for nonstationary time series and its applications
研究了一类非平稳非线性过程的傅里叶变换的性质。从傅里叶分析的角度，建立了一类非退化和退化加权$V$ -统计量的渐近中心和非中心极限定理. $V$ -统计学的建立理论为非平稳时间序列的分析中的许多重要的时间和谱域问题提供了统一的处理，范围从非参数估计到周期图和谱密度的推断。
2014-01-16 math.ST stat.TH
Inference for nonstationary time series of counts with application to change-point problems
我们考虑一个整数值的时间序列$Y=(Y_t)_{t\in\Z}$，其中模型在一个时间$k^*$是泊松自回归的条件平均值，取决于一个参数$θ^*\inΘ\subset\R^d$。$k^*$之前的流程结构未知;它可以是任何其他整数值时间序列，也就是说，过程$Y$可以是非平稳的。证明了在非平稳观测值下计算的$θ^*$的极大似然估计是相合且渐近正态的。其次，我们在一大类Poisson自回归模型中进行了序贯变点检测。我们提出了一个监测计划，用于检测模型中的变化。该过程是基于一个更新的估计，这是计算没有历史观测。研究了检测器的渐近行为，特别地，将上述关于非平稳环境下推断的结果应用于证明所提出的方法是一致的。提供了模拟研究以及实际数据应用。
2020-05-02 math.ST stat.TH
Cowles commission structural equation approach in light of nonstationary time series analysis
本文从Cowles委员会的结构方程方法出发，综述了非平稳时间序列分析的研究进展。我们认为，尽管非平稳时间序列分析提供了丰富的剧目，分析如何做动态响应冲击的动态系统分解成长期和短期的关系，非平稳性并没有无效的经典关注的结构方程模型-识别和随机性偏差。对于平稳和非平稳数据，同样的识别秩条件成立，并且必须采用某种工具变量估计来产生一致性。然而，如果协整的秩或非平稳性的方向不是先验已知的，则非平稳性确实会引起推断问题。由于单位根分布的存在，通常的检验统计量可能不是卡方分布。经典的工具变量估计必须进行修改，以确保有效的推理。
2007-02-27 math.ST stat.TH
The quantile spectral density and comparison based tests for nonlinear time series
在本文中，我们考虑测试的非线性时间序列，这是出于串行依赖的概念。所提出的测试是基于与分位数谱密度的比较，分位数谱密度可以被认为是通常的谱密度函数的分位数版本。分位数谱密度“测量”时间序列的序列依赖结构，并且在相对弱的混合条件下被很好地定义。我们提出了一个估计的分位数谱密度，并推导出其渐近抽样性质。我们使用分位数谱密度来构造时间序列的拟合优度检验，并解释了如何使用该检验来比较两个时间序列的序列相关结构。仿真和一些实际数据的例子说明了该方法。
2012-03-10 math.ST stat.TH
Sequential Gaussian approximation for nonstationary time series in high dimensions
推导了高维区域$d=o(n^{1/3})$的部分和过程的高斯耦合。耦合推导出的独立随机向量的总和，随后扩展到非平稳时间序列。我们的不等式依赖于明确的尺寸和非平稳性的措施，因此也适用于阵列的随机向量。为了实现高维统计推断，提出了一种可行的高斯近似方案。顺序测试和变点检测的应用程序进行说明。
2022-03-07 math.PR math.ST stat.TH
Estimation of dynamic networks for high-dimensional nonstationary time series
本文研究高维非平稳时间序列的时变网络估计问题。考虑了两种类型的动态行为：结构突变（即，突变点）和平滑变化。为了同时处理这两种类型的时变特征，提出了一种两步方法：首先通过比较样本协方差阵上的局部平均值之间的差异来识别多个变点位置，然后基于核化的时变约束$L_1$最小化逆矩阵估计（CLIME）估计器在每个片段上恢复图形支持。在较弱的矩和相依条件下，我们得到了估计变点和精度矩阵的收敛速度。特别地，我们证明了在一定的高维尺度限制下，这种两步方法在估计变点和分段光滑精度矩阵函数方面是一致的。将该方法应用于2003 - 2008年标准普尔500指数的网络结构分析。
2019-12-31 math.ST stat.TH
Specification testing in nonlinear and nonstationary time series autoregression
本文考虑了一类具有非平稳性的非参数自回归模型。我们提出了一个非参数核检验的条件均值，然后建立一个渐近分布的建议测试。这两个设置和结果不同于早期的非参数自回归与平稳性的工作。此外，我们开发了一个新的自举模拟方案，用于选择一个合适的带宽参数，在内核测试以及选择一个模拟的临界值。使用一个模拟的例子和一个真实数据的例子，所提出的测试的有限样本性能进行评估。
2009-11-19 math.ST stat.TH
Efficiency improvements in inference on stationary and nonstationary fractional time series
我们考虑一个时间序列模型，其中包含一个分数阶随机分量，其积分阶可以位于平稳/可逆或非平稳区域并且是未知的，以及一个由广义多项式组成的附加确定性分量。因此，该模型可以合并趋势行为的竞争描述。随机分量的平稳输入具有参数自相关性，但新息具有未知形式的分布。因此，该模型是半参数的，我们开发的参数分量是渐近正常的估计，并实现M-估计效率界，等于发现在工作中使用自适应LAM/LAN方法。我们治疗的一个主要技术特征是截断自回归表示，以形成创新代理的效果。当创新密度被参数化时，这也是相关的，我们也提供了这种情况下的结果。我们的半参数估计采用非参数序列估计，这避免了一些复杂性和条件内核的方法特点在许多工作的自适应估计的时间序列模型，因此，我们的工作也有助于非分数时间序列模型，如自回归移动平均的方法和理论。半参数估计的有限样本性能的Monte Carlo研究。
2005-08-16 math.ST stat.TH
Inverse covariance operators of multivariate nonstationary time series
对于多变量平稳时间序列，许多重要的性质，如偏相关，图形模型和自回归表示被编码在其谱密度矩阵的逆中。这对于非平稳时间序列是不正确的，其中相关信息位于与多元时间序列相关联的逆无穷维协方差阵运算符中。这就需要研究多变量非平稳时间序列的协方差及其与其逆的关系。我们表明，如果行/列的无限维的协方差阵衰减在一定的速度，然后率（高达一个因素）转移到行/列的逆协方差阵。这是用来获得一个非平稳的自回归表示的时间序列和自回归无限表示和相应的有限自回归投影的参数之间的边界类型。上述结果为后续的局部平稳时间序列分析奠定了基础。特别是，我们表明，平滑性能的协方差阵转移到（i）逆协方差（ii）向量自回归表示的参数和（iii）的偏协方差。所有结果都是以这样一种方式建立的，所涉及的常数只依赖于协方差阵的特征值，并可以应用于高维设置与非发散特征值。
2022-10-08 math.ST stat.ME stat.TH
A specification test for nonlinear nonstationary models
我们提供了一个极限理论的一般类的内核平滑U-统计，可用于规格测试时间序列回归与非平稳数据。测试框架允许线性和非线性模型，其内生回归变量具有自回归单位根或接近单位根。规范检验的极限理论依赖于高斯过程的自相交局部时。对于某些非平稳时间序列函数的部分和，得到了收敛于交局部时间过程的一个新的弱收敛结果。这个结果是独立的利益，并在其他应用中是有用的。模拟检验了检验的有限样本性能。
2012-06-05 math.ST stat.TH
Tests for Independence of High-Dimensional Nonstationary Time Series
School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院）
提出一种双模态加权平均检验统计量，无需预白化即可检验高维非平稳时间序列的独立性，并开发了依赖野刀切法进行推断。
2026-06-07 math.ST stat.ME stat.TH
Sequential Quantile Prediction of Time Series
受广泛的潜在应用的启发，我们解决了实值时间序列的分位数预测问题。我们提出了一个序贯分位数预测模型的基础上组合的一组基本最近邻型预测称为“专家”，并显示其一致性的最低条件下。我们的方法建立在近年来开发的方法预测的个别序列，并利用分位数结构作为一个最小的所谓的弹球损失函数。我们对真实世界的数据集进行了深入的分析，并表明这种非参数策略通常优于标准分位数预测方法
2010-05-31 math.ST stat.ME stat.TH
Quantile Spectral Analysis for Locally Stationary Time Series
经典的谱方法受到两个基本限制：它们只能说明协方差相关的序列依赖性，并且它们需要二阶平稳性。最近，基于分位数的谱方法得到了很大的关注，它超越了基于协方差的序列相关特征。与此同时，基于协方差的方法放松平稳性到更弱的{ \it本地平稳性}的条件已被开发的各种时间序列模型。在这里，我们结合这两种方法，提出基于分位数的谱方法的局部平稳过程。因此，我们引入了一个随时间变化的版本的copula谱，最近提出的文献中，随着一个合适的本地滞后窗口估计。我们提出了一个新的本地{ \it严格}平稳性的定义，使我们能够处理完全一般的非线性过程没有任何时刻的假设，从而容纳我们的分位数为基础的概念和方法。我们建立了一个新的估计中心极限定理，并通过模拟研究说明了所提出的方法的力量。此外，在两个实证研究（即标准普尔500系列和Hohenpeissenberg记录的温度数据集），我们证明了新的方法检测跨时间和跨分位数的序列依赖结构的重要变化。这样的变化仍然完全未被检测到，并且实际上通过经典的基于协方差的谱方法是检测不到的。
2016-07-18 math.ST stat.TH
Inference on common trends in functional time series
Aarhus Center for Econometrics（奥胡斯计量经济学中心）；Aarhus University（奥胡斯大学）
本文研究了在Hilbert空间中时间序列的单位根和协整的统计推断，提出对嵌入时间序列中的共同随机趋势数量（非平稳子空间维度）的推断方法，并考虑非平稳和平稳子空间的假设检验。
2026-07-06 econ.EM math.ST stat.TH
Functional estimation and change detection for nonstationary time series
时间序列中结构突变的测试在理想情况下应该对感兴趣的参数中的突变敏感，同时对干扰变化具有鲁棒性。因此，统计分析需要在无变化的原假设下考虑某种形式的非平稳性。本文构造了局部平稳时间序列综合参数的估计量，并建立了相应的泛函中心极限定理，使得在较弱的假设下，能对广泛的一类参数进行变点推断.所提出的框架涵盖了所有的参数，可以表示为非线性函数的时刻，例如峰度，自相关，系数在线性回归模型。为了进行基于导出的极限分布的可行推理，提出了一种自助变体，并建立了它的一致性。通过模拟研究和高频资产价格的应用说明了该方法。
2022-12-01 math.ST stat.ME stat.TH
Non-parametric estimation of conditional quantiles for time series with heavy tails
提出修正的加权Nadaraya-Watson估计量用于重尾时间序列条件分位数，建立渐近正态性，并通过模拟和实际数据验证性能。
2024-07-22 math.ST stat.ME stat.TH
Robust Spectral Analysis
在本文中，我介绍了分位数谱密度，总结了时间序列在其整个分布的周期性行为，通过分析分位数交叉的周期。这种方法可以捕获周期对时间序列分布的影响的系统变化，并且在自协方差函数不能准确捕获相关结构的情况下允许鲁棒的谱估计和推断。我研究的统计性质的分位数谱估计在一个大类的非线性时间序列模型，并讨论在固定和跨所有频率的推断。蒙特卡罗实验表明，当标准假设被违反时，分位数谱分析优于经典方法。
2013-08-26 math.ST stat.TH
HERMES: Hybrid Error-corrector Model with inclusion of External Signals for nonstationary fashion time series
针对非平稳时尚时间序列预测问题，提出结合参数模型与全局循环神经网络的混合预测模型HERMES，并公开包含10000条时间序列及影响者外部弱信号的数据集，在多个基准上取得最优结果。
2023-09-11 eess.SP math.ST stat.ML
Self-Normalized Inference in (Quantile, Expected Shortfall) Regressions for Time Series
本文提出基于自归一化的时间序列（分位数，期望损失）回归推断方法，无需调优参数且尺寸正确，并通过模拟和两个实证应用验证其有效性。
2025-06-23 econ.EM math.ST stat.TH
The dynamic generalized covariance measure for conditional independence testing with nonstationary time series
Carnegie Mellon University（卡内基梅隆大学）；Queen Mary University of London（伦敦大学玛丽女王学院）
本文提出首个适用于非平稳非线性过程单次实现的条件独立性检验框架，通过时变非线性回归等技术解决线性模型难以捕捉非线性动态的问题，为相关领域的随机过程关系识别提供了新工具。
2026-10-22 math.ST stat.ME stat.ML
Nonparametric Vector Quantile Autoregression
针对现有分位数自回归方法受限于单变量时间序列的问题，本文基于测度传输型多元分位数概念，提出非参数向量分位数自回归方法，可实现多元时间序列的全分布预测。
2025-10-03 math.ST stat.ME stat.TH
On tail-robust autocovariance matrix estimation for high-dimensional and potentially nonstationary time series
Auburn University（奥本大学）；University of Geneva（日内瓦大学）；Pennsylvania State University（宾夕法尼亚州立大学）；University of Georgia（佐治亚大学）
本文针对高维且可能非平稳的重尾时间序列，提出逐元素Huber M估计量与逐元素截断估计量，证明其非渐近性质等理论结果，通过数值实验及月度宏观经济数据变点检测验证方法有效性。
2026-09-07 math.ST stat.ME stat.TH
Bayesian Feature Selection in Joint Quantile Time Series Analysis
Department of Statistics, Texas A\&M University, College Station, TX. e1
针对多元时间序列分位数特征选择难题，提出QFSTS模型，采用贝叶斯降维与分位数回归，实现高效特征选择与预测，性能优越。
2023-08-29 cs.LG math.ST stat.ML
Stationary subspace analysis of nonstationary covariance processes: eigenstructure description and testing
平稳子空间分析（SSA）搜索非平稳向量时间序列中平稳分量的线性组合。这些线性组合及其个数定义了一个相关的平稳子空间及其维数。研究了零均值非平稳协方差过程的SSA。我们用某些对称矩阵的特征值和特征向量刻画了平稳子空间及其维数。这个特征，然后用来获得正式的统计测试估计尺寸的平稳子空间。还提出了基于特征结构的技术来估计平稳子空间，而不依赖于以前使用的计算密集型优化方法。最后，介绍的方法进行了检查模拟和真实数据。
2019-04-20 math.ST stat.ME stat.TH
Factor Models of Matrix-Valued Time Series: Nonstationarity and Cointegration
本文针对含共同随机趋势的非平稳矩阵值时间序列，提出矩阵因子模型以挖掘内在结构并降低计算复杂度，推导收敛理论且通过比率准则估计因子规模，模拟与实证验证其有限样本表现。
2025-08-22 econ.EM math.ST stat.TH
Quantile double autoregression
许多金融时间序列在不同的分位数水平上具有不同的结构，同时也表现出条件异方差现象。同时，目前还缺乏一个同时兼顾这两个特征的时间序列模型。本文提出了一种新的条件异方差模型，即分位数双自回归模型。导出了新模型的严格平稳性，并提出了一种自加权条件分位数估计。原双自回归模型的两个有前途的性质被证明是保留。基于分位数自相关函数和自加权概念，构造了两种组合检验，它们可以联合使用来检验拟合条件分位数的充分性。通过仿真研究检验了所提出的推理工具在有限样本情况下的性能，并通过对标准普尔500指数的分析进一步证明了新模型的必要性。
2020-12-28 math.ST stat.ME stat.TH
The Cross-Quantilogram: Measuring Quantile Dependence and Testing Directional Predictability between Time Series
本文提出了交叉分位数图来度量两个时间序列之间的分位数依赖性。我们应用它来检验一个时间序列对另一个时间序列没有方向可预测性的假设。建立了交叉数量图的渐近分布和相应的检验统计量。极限分布依赖于冗余参数。为了构建一致的置信区间，我们采用平稳引导程序，我们显示这个引导程序的一致性。此外，我们认为自归一化的方法，这是渐近关键的原假设下没有可预测性。我们提供了模拟研究和两个实证应用。首先，我们使用交叉数量图来检测从股票方差到超额股票收益率的可预测性。与股票收益可预测性文献中使用的现有工具相比，我们的方法提供了一个更完整的预测和股票收益之间的关系。其次，我们调查了单个金融机构的系统性风险，如摩根大通，高盛和美国国际集团。这篇文章在网上有补充材料。
2018-01-21 math.ST stat.AP stat.ME
