Sample Splitting and Weak Assumption Inference For Time Series
我们考虑在时间序列背景下在弱假设下模型选择后的推断问题。即使当数据是不独立的,我们表明,样本分裂仍然是渐近有效的,只要过程满足适当的弱依赖条件和感兴趣的功能是适当的良好行为。此外,如果推断目标被适当地定义,我们证明,有效的统计推断是可能的,而不假设平稳性。作为一个工作的例子,我们考虑后选择推理的回归系数下的随机设计假设,其中对$(Y_i, X_i) \in \mathbb{R}^{p_n}$被假定为一个观察从一个弱相关的三角形阵列。我们建立(渐近)样本分裂有效性下的回归系数$β$混合和$τ$依赖的假设。为了便于在非平稳、弱相关区域进行统计推断,我们扩展了Doukhan和Wintenberger(2007)的中心极限定理。为了推广他们的结果,我们得到了弱相依过程的归一化和的方差的一些性质。特别是,我们表明,在非常一般的条件下,方差往往是很好的近似独立的块。利用这一结果,我们推导出块乘数引导下$θ$依赖的有效性,并证明了弱假设下的样本分裂与引导相结合的推理过程的有效性。
2019-02-25 math.ST stat.TH
Lasso Inference for High-Dimensional Time Series
在本文中,我们开发了有效的推理高维时间序列。我们扩展的desparsified套索的时间序列设置下的近时代依赖性(NED)的假设,允许非高斯,连续相关和heteroskedastic过程中,回归的数量可能会增长得比时间维度更快。我们首先推导出弱稀疏性下的误差界,再加上NED假设,这意味着这个不等式也可以应用于在解parsified lasso中执行的(固有错误指定的)逐节点回归。这使我们能够在一般条件下,包括增加尺寸的参数的推断,建立一致的渐近正态性的desparsified套索。此外,我们还证明了长期方差估计的一致性,从而提供了一套完整的工具,用于在高维线性时间序列模型中进行推断。最后,我们进行了模拟练习,以证明在常见的时间序列设置的解parsified套索的小样本属性。
2022-09-01 econ.EM 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
Theory and Inference for a Class of Observation-driven Models with Application to Time Series of Counts
本文研究了一类包含非线性动力学的时间序列模型的相关理论和推论。假设观测值服从一个单参数指数型分布族,并伴随一个随滞后观测值变化的过程。我们采用迭代随机函数方法和特殊的耦合技术,证明了在参数空间上适当的条件下,条件均值过程是一个几何矩收缩马尔可夫链,并且观测过程是绝对正则的,其系数是几何衰减的.在适当的假设下,建立了参数的最大似然估计的渐近理论。这些模型被应用到两个例子;第一个是爱立信股票的每分钟的交易数量,第二个是与高盛集团股票的极端事件的返回时间有关。
2012-04-17 math.ST stat.TH
Multi-fidelity surrogate modeling for time-series outputs
本文研究了当编码输出为时间序列时,在多保真度框架下对复杂数字编码的代理建模问题。通过对低、高保真码级的试验设计,提出了一种原始高斯过程回归方法。代码输出是在试验设计的基础上扩展的。代码输出的扩展的第一系数由协同克里金方法处理。最后的系数共同处理的克里金方法与协方差张量。由此产生的代理模型考虑到基础建设中的不确定性,具有更好的性能,在预测误差和不确定性量化比标准的降维技术。
2022-02-23 math.ST stat.TH
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
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
High-Dimensional Knockoffs Inference for Time Series Data
本文提出时间序列knockoffs推断(TSKI)方法,利用子采样和e值处理序列依赖,并放宽协变量分布假设,实现渐近FDR控制,通过模拟和通胀研究验证性能。
2025-02-28 math.ST stat.ME stat.TH
Cluster based inference for extremes of time series
本文提出了一种新的正则变化时间序列谱尾过程的估计方法。该方法是基于一个特征的谱尾过程,这是纳入新的估计通过投影技术的不变性。我们证明了该估计的一致渐近正态性,在已知和未知的情况下,定期变化的指数。在模拟研究中,新的程序显示出比以前提出的估计更稳定的性能。
2021-03-15 math.ST stat.ME stat.TH
Tail risk inference via expectiles in heavy-tailed time series
期望值定义了除了期望值之外唯一不变的、连贯的和可引出的风险度量。基于预期的风险度量的流行正在稳步增长,并且已经针对独立数据研究了它们的属性,但是需要进一步的结果来使用具有依赖时间序列的极端预期,例如金融数据。在本文中,我们建立了一个基础上的推断极端的期望值和期望为基础的边际预期不足一般$β$混合的背景下,包括ARMA,GRESS和GRESS模型的重尾创新。对金融收益的模拟和应用表明,当数据相关时,新的估计量和置信区间比现有的估计量和置信区间有很大的改进。
2021-10-12 math.ST stat.ME stat.TH
Modeling of Volatility with Non-linear Time Series Model
本文利用非线性时间序列模型来描述金融时间序列数据的波动性。为了描述波动性,将两个非线性时间序列组合成具有非对称条件异方差误差项的门限自回归模型(TAR),并对其参数估计进行了研究。
2014-07-03 math.PR math.ST q-fin.ST
Bayesian inference of natural selection from allele frequency time series
随着古代DNA技术的出现,现在可以直接确定祖先群体中的等位基因频率,从而能够利用等位基因频率时间序列来检测和估计自然选择。这种对等位基因频率动态的直接观察,预计比利用从现代个体获得的连锁中性变异模式进行的推断更有力。我们开发了一种贝叶斯方法,利用等位基因频率时间序列数据,推断一般二倍体选择的参数,随着等位基因年龄,在非平衡群体。我们引入了一种新的路径增强方法,在该方法中,我们使用马尔可夫链蒙特卡罗积分的等位基因频率轨迹与观测数据一致的空间。使用模拟,我们表明,这种方法有很好的权力,估计选择系数和等位基因年龄。此外,当我们的方法应用于数据的马大衣的颜色,我们发现,忽略相关的人口统计学的历史可以显着偏见的推断结果。我们的方法是在一个C++软件包。
2016-01-20 math.ST q-bio.PE stat.TH
Simultaneous Inference for Partially Observed Functional Time Series
针对部分观测的依赖函数型时间序列,提出首个同时推断方法,结合高斯逼近与随机过程理论,构建同时置信带,并应用于城市污染超标检测。
2026-07-01 math.ST stat.ME stat.TH
Simultaneous Inference for Covariance and Precision Matrices of Long-Range Dependent Time Series
Booth School of Business, The University of Chicago(芝加哥大学布斯商学院);Marshall School of Business, University of Southern California(南加州大学马歇尔商学院);Department of Statistics and Data Science, Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学统计与数据科学系);Department of Statistics, The University of Chicago(芝加哥大学统计学系)
本文提出一种Berry-Esseen型正态近似结果,用于长期依赖时间序列协方差和精度矩阵的有限样本界推断,采用鞅和m依赖近似及三元块构造方法,支持高维设置和自助法验证。
2026-04-17 math.ST stat.ME stat.TH
Auto-Regressive Approximations to Non-stationary Time Series, with Inference and Applications
本文证明一般非平稳非线性时间序列可由缓慢发散阶的白噪声驱动AR过程全局逼近,并提出系数推断的高维L²检验、乘子自助法和自适应稳定性检验,进而建立局部平稳序列的全局最优短期预测理论。
2023-04-24 math.ST stat.ME stat.TH
Inference for Multiple Change-points in Piecewise Locally Stationary Time Series
The Hang Seng University of Hong Kong(香港恒生大学);The Chinese University of Hong Kong(香港中文大学)
本文提出了一种基于似然的方法,用于推断局部平稳时间序列中的多个转折点,区分跳跃和拐点,并建立了相应的渐近分布。
2026-01-15 math.ST stat.ME stat.TH
Nonlinear Time Series Modeling: A Unified Perspective, Algorithm, and Application
本文提出了一种新的非线性时间序列分析和建模的综合方法。我们引入了新的数据特定的中间分布的勒让德多项式(LP)的原始时间序列Y(t),使我们能够适应所有现有的平稳线性高斯时间序列建模策略,并使其适用于非高斯和非线性过程中的鲁棒的方式。本文的重点是经验时间序列建模通过算法LPTime。我们使用1963年1月2日至2009年12月31日之间的标准普尔500指数日收益率数据证明了我们的理论框架的有效性。我们提出的LPTime算法系统地发现所有的“程式化的事实”的金融时间序列自动一次,这是以前注意到许多研究人员一次一个。
2017-12-24 math.ST stat.AP stat.ME
A copula approach for dependence modeling in multivariate nonparametric time series
本文研究了在可能包含时间序列过去值的协变量存在的情况下,两个(或多个)时间序列的相关结构的建模问题。我们假设协变量只影响每个时间序列的条件均值和条件方差,但标准化新息的分布不受协变量的影响,并且在时间上是稳定的。联合分布的时间序列,然后确定的条件均值,条件方差和边缘分布的创新,我们估计nonparametrically,和copula的创新,它代表的依赖结构。我们考虑一个非参数以及半参数估计的基础上估计残差。我们表明,在适当的假设下,这些copula估计是渐近等价的估计,将基于未观察到的创新。通过仿真和实际数据的例子说明了理论结果。
2018-12-10 math.ST stat.ME stat.TH
Simultaneous Sieve Inference for Time-Inhomogeneous Nonlinear Time Series Regression
本文研究了一般局部平稳时间序列的非时齐非线性时间序列回归问题。一方面,我们提出了时变回归函数的筛分非参数估计,它可以达到最小-最大最优速率。另一方面,我们发展了一个统一的同时推理理论,可以用来进行结构和精确形式的功能测试。我们提出的统计是强大的,即使在当地弱的替代品。我们还提出了一个乘法器自举程序的实际实施。我们的方法和理论不需要对回归函数进行任何结构假设,并且我们还允许函数在无界域中得到支持。我们还建立了无界区域上二维函数的筛逼近论和高维局部平稳时间序列的仿射型和二次型的高斯逼近结果,这些结果是独立的.数值模拟和一个真实的财务数据分析提供了支持我们的结果。
2021-12-16 math.ST stat.ME stat.TH
Resampling-free Inference for Time Series via RKHS Embedding
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Washington University in St Louis(华盛顿大学圣路易斯分校)
本文提出了一种基于RKHS嵌入的无重采样检验方法,用于多元或函数时间序列的非参数推断问题,具有更高的计算效率和准确性。
2026-01-21 math.ST stat.ME stat.TH
Simultaneous Inference of a Partially Linear Model in Time Series
本文提出一种针对部分线性时间序列回归模型中多元非参数函数的联合置信区域构建方法,通过扩展高维高斯逼近至相依过程,适用于多种自回归模型,并经模拟和远期溢价回归验证。
2023-09-02 econ.EM math.ST stat.ME
Conformal Coverage of Time Series: Validity and Inference
University of Chicago(芝加哥大学);Illinois Institute of Technology(伊利诺伊理工学院)
本文研究时间序列中共形预测的覆盖有效性,提出无需混合假设的误差界与中心极限定理,并处理长期记忆情形,揭示时间依赖对覆盖不确定性的影响。
2026-09-29 math.ST stat.ME stat.ML
SSM: Inference for time series analysis with State Space Models
开源库SSM背后的主要动机是减少技术摩擦,这些摩擦阻止建模人员共享他们的工作,在危机情况下快速迭代,并使他们的工作直接被公共当局用于决策。
2014-02-16 stat.CO
Stanza: A Nonlinear State Space Model for Probabilistic Inference in Non-Stationary Time Series
Duke University(杜克大学)
具有长期结构的时间序列出现在各种背景下,捕获这种时间结构是时间序列分析中的关键挑战,用于推断和预测设置。传统上,状态空间模型已经成功地提供了潜在空间中的轨迹的不确定性估计。最近,深度学习,基于注意力的方法已经实现了序列建模的最新性能,尽管通常需要大量的数据和参数来实现。我们提出了一种非线性、非平稳状态空间模型Stanza,作为一种中间方法,以填补复杂时间序列的传统模型和现代深度学习方法之间的差距。Stanza在高度结构化的时间序列的竞争性预测准确性和概率性、可解释性推理之间取得了平衡。特别是,Stanza在现实世界的数据集上实现了与深度LSTM竞争的预测准确性,特别是对于多步预测。
2020-06-11 cs.LG stat.ML
Foundations of Sequence-to-Sequence Modeling for Time Series
Google Research(谷歌研究院);Massachusetts Institute of Technology(麻省理工学院)
大量时间序列数据的可用性,以及深度学习算法在广泛问题上的性能,最近引起了人们对使用序列到序列模型进行时间序列预测的极大兴趣。我们提供了这个时间序列预测框架的第一个理论分析。我们包括序列到序列建模与经典时间序列模型的比较,因此我们的理论可以作为从业者在不同建模方法之间选择的定量指南。
2019-02-26 cs.AI cs.LG stat.ML
Neural Inference Functions for Margins for Time Series Copula Models
University of Wollongong(伍伦贡大学);University of New South Wales(新南威尔士大学)
提出基于神经网络的N-IFM方法,用于高效估计多元时间序列Copula模型参数,在保持推断精度的同时大幅降低计算成本。
2026-10-19 stat.CO
Rejoinder to "Feature Matching in Time Series Modeling"
对Y.“时间序列建模中的特征匹配”一文的反驳。Xia和H. Tong [arXiv:1104.3073]
2012-01-06 stat.ME
Scalable Bayesian inference for time series via divide-and-conquer
Duke University(杜克大学);The University of Western Australia(西澳大学);Google LLC(谷歌)
针对极长时间序列的贝叶斯推断可扩展性难题,本文提出一种带精度保证的简单分而治之方法,并通过模拟与真实数据验证其有效性。
2025-10-21 stat.CO stat.ME
Variational Inference for On-line Anomaly Detection in High-Dimensional Time Series
Technische Universität München(慕尼黑工业大学);fortiss(福蒂斯研究所)
近似变分推断已被证明是建模未知复杂概率分布的有力工具。该领域的最新进展使我们能够学习积极利用空间和时间结构的序列的概率模型。我们应用随机递归网络(STORN)来学习机器人时间序列数据。我们的评估表明,我们可以鲁棒地检测异常离线和在线。
2016-06-14 cs.LG stat.ML
Bootstrap Based Inference for Sparse High-Dimensional Time Series Models
将稀疏模型拟合到高维时间序列是统计推断的一个重要领域。在本文中,我们考虑稀疏向量自回归模型和发展适当的自助方法来推断这样的过程的属性。我们的引导方法产生伪时间序列使用基于模型的引导程序,其中涉及一个估计,稀疏版本的基础向量自回归模型。使用自回归模型参数的所谓去稀疏或去偏估计量进行推断。我们推导出这种估计量的渐近分布在时间序列的上下文中,并建立渐近有效性的自助程序提出的估计,并适当修改,用于测试的目的。特别是,我们专注于测试,大组的自回归系数等于零。我们的理论结果是补充模拟研究有限样本性能的自举方法。一个真实的数据应用程序。
2019-09-24 stat.ME
Discussion of "Feature Matching in Time Series Modeling" by Y. Xia and H. Tong
对Y. Xia和H. Tong [arXiv:1104.3073]
2012-01-06 stat.ME
Discussion of "Feature Matching in Time Series Modeling" by Y. Xia and H. Tong
对Y. Xia和H. Tong [arXiv:1104.3073]
2012-01-06 stat.ME
Discussion of "Feature Matching in Time Series Modeling" by Y. Xia and H. Tong
对Y. Xia和H. Tong [arXiv:1104.3073]
2012-01-06 stat.ME
Discussion of "Feature Matching in Time Series Modeling" by Y. Xia and H. Tong
对Y. Xia和H. Tong [arXiv:1104.3073]
2012-01-06 stat.ME
Modelling, simulation and inference for multivariate time series of counts
本文提出了一种新的连续时间建模框架的多元时间序列的计数,具有无限可分的边缘分布。该模型基于由Lévy噪声驱动的混合移动平均过程-称为拖网过程-其中序列相关性和横截面依赖性彼此独立地建模。这样的过程可以表现出短或长的记忆。我们推导出一个随机模拟算法和一个统计推断方法,这样的过程。新的方法,然后应用到高频的金融数据,在那里我们调查的数量之间的关系的限制订单提交和删除的限制订单书。
2016-08-10 stat.ME
Modeling Regime Shifts in Multiple Time Series
University of Sherbrooke(舍布鲁克大学);University of Quebec at Montreal(魁北克大学蒙特利尔分校)
我们调查的问题,发现和建模政权转移的生态系统包括多个时间序列称为共同发展的时间序列。区系转换是指序列在不同时间间隔内表现出的变化行为。学习这些变化的行为是时间序列预测的关键一步。虽然已经取得了进展,但现有方法存在以下缺点中的一个或多个:(1)未能考虑时间序列之间的关系以发现多个时间序列中的状态;(2)缺乏对序列所表现出的时间依赖行为进行建模的有效方法;(3)难以处理可能是信息性的数据不连续性。现有的大多数方法无法在一个统一的框架内处理这三个问题。因此,这促使我们努力设计一个原则性的方法来建模相互作用和时间依赖性的共同发展的时间序列。具体来说,我们通过将大量的时间序列集合总结成一个更轻、更有意义的结构(称为\textit{mapping grid})来对多个时间序列的生态系统进行建模。通过使用映射网格,我们的模型首先通过动态网络表示来学习时间序列行为依赖关系,然后通过完全时间依赖的Cox回归模型来学习状态转换机制。我们的方法的独创性在于在政权识别的时间序列之间的相互作用建模和建模时间依赖的政权转移概率,通常假设是静态的现有工作。
2022-05-13 cs.LG stat.ML
COPAR - Multivariate time series modeling using the COPula AutoRegressive model
多元时间序列分析是金融、经济等领域的一个常见问题。用于此目的的经典工具是向量自回归模型。然而,这些仅限于线性和对称依赖的建模。我们提出了一种新的基于Copula的模型,它允许非线性和非对称建模的串行以及系列之间的依赖关系。该模型充分利用了仅由二元连接函数建立的藤连接函数的灵活性。我们描述了新模型的统计推断技术,并在三个相关的应用中证明了它的实用性:我们分析了宏观经济指标的时间序列,电力负荷需求和债券投资组合的回报。
2012-04-04 stat.ME
Adaptive Change Point Inference for High Dimensional Time Series with Temporal Dependence
Bejing Normal University(北京师范大学);Nankai University(南开大学)
本文研究高维时间序列的变点推断,提出基于max-$L_2$范数的检验程序,并利用Cauchy组合方法将其与现有max-$L_\infty$统计量结合,构建了在不同稀疏度下均稳健有效的自适应推断方法。
2025-11-03 stat.ME
Inferring Individual Level Causal Models from Graph-based Relational Time Series
Adobe Research(Adobe研究);Intel Labs(英特尔实验室)
在这项工作中,我们正式的因果推理的问题,在基于图的关系时间序列数据中,图中的每个节点有一个或多个时间序列相关联的,我们提出了因果推理模型,利用图的拓扑结构和时间序列,以准确地估计节点的局部因果效应。此外,关系时间序列因果推理模型能够通过利用局部以节点为中心的时间依赖性和拓扑/结构依赖性来估计单个节点的局部效应。我们发现,简单的因果模型,不考虑图形拓扑恢复的特殊情况下,建议的关系时间序列因果推理模型。我们描述的条件下,由此产生的估计可用于估计因果关系的影响,并描述如何的Durbin-Wu-Hausman测试规格可用于测试的一致性,从数据的建议估计。从经验上讲,我们证明了因果推理模型的有效性与已知的地面真理和一个大规模的观测关系的时间序列数据集从维基百科收集的合成数据。
2020-01-23 cs.LG cs.SI stat.ML
ST-MTM: Masked Time Series Modeling with Seasonal-Trend Decomposition for Time Series Forecasting
Ulsan National Institute of Science and Technology(乌山国立科学技术研究院)
ST-MTM提出基于季节-趋势分解的掩码时间序列建模框架,通过周期掩码和子序列掩码分别处理季节与趋势分量,并结合对比学习,在时间序列预测中取得优于现有方法的性能。
2025-06-13 cs.AI cs.LG stat.ML
Learning summary features of time series for likelihood free inference
Inria(法国国家信息与自动化研究所)
科学界对使用无似然推理(LFI)来确定给定模拟器模型的哪些参数可以最好地描述一组实验数据越来越感兴趣。尽管令人兴奋的最近的结果和广泛的可能的应用,一个重要的瓶颈LFI时,应用于时间序列数据是定义一组摘要功能的必要性,往往是手工定制的基础上的领域知识。在这项工作中,我们提出了一个数据驱动的策略,用于自动学习单变量时间序列的摘要功能,并将其应用于自回归移动平均(ARMA)模型和Van der Pol振荡器产生的信号。我们的研究结果表明,即使在线性情况下,从数据中学习摘要特征也可以竞争甚至优于基于手工值(如自相关系数)的LFI方法。
2020-12-04 cs.LG stat.AP stat.ML
Effective Bayesian Modeling of Groups of Related Count Time Series
计数的时间序列出现在各种预测应用中,传统的模型通常不适用于这些应用。本文介绍了一种分层贝叶斯公式适用于计数时间序列,可以很容易地解释变量和相关的时间序列组之间共享统计强度。我们推导出一个有效的近似推理技术,并说明其性能的数据集从供应链计划。
2014-05-15 stat.AP stat.ML
Two-Sample and Change-Point Inference for Non-Euclidean Valued Time Series
本文针对一般度量空间中具有时间相依性的非欧几里得数据,提出基于自正则化的两样本检验与变点检测方法,推导其理论性质并通过模拟和死亡率、加密货币数据验证其有效性。
2023-07-10 stat.ME
Inference on the tail process with application to financial time series modelling
为了推断重尾马尔可夫链中的序列极值依赖性,Drees,Segers和Warchoirs [Extremes(2015)18,369- 402]提出了谱尾过程的非参数估计。该方法可以扩展到更一般的设置一个固定的,定期变化的时间序列。利用聚类泛函的经验过程理论,得到了估计量的大样本分布。通过蒙特卡罗模拟评估这些估计的有限样本性能。此外,两个不同的引导计划,产生置信区间的前渐近谱尾过程:平稳引导和乘子块引导。将该估计应用于股票价格数据,研究了正负冲击的持续性。
2018-01-29 stat.ME
Deconvolution of mixing time series on a graph
在许多应用中,我们有兴趣从间接测量中对潜在的时间序列进行推断,这些间接测量通常是混合或聚合产生的低维投影。正电子发射断层扫描、超分辨率和网络流量监控就是一些例子。在这种情况下的推理需要解决一系列不适定的逆问题y_t= Ax_t,其中投影机制提供关于A的信息。我们考虑的问题,其中A指定的时间序列是突发和稀疏的图上的混合。我们开发了一个多级状态空间模型的混合时间序列和一个有效的方法来推断。一个简单的模型是用来校准正则化参数,导致有效的推断,在多级状态空间模型。我们应用这种方法来估计点到点的网络上的流量从聚合测量的问题。我们的解决方案优于现有的方法,这个问题,我们的两个阶段的方法提出了一个有效的推理策略的依赖时间序列的多级模型。
2011-06-10 cs.SI stat.ME
Modeling Multiple Irregularly Spaced Financial Time Series
本文通过修改规则间隔的随机波动率模型,提出了适用于不规则间隔金融时间序列的单变量及多元随机波动率模型,并利用 WRDS 的 TAQ 数据库中的医疗板块股票日内对数收益率进行了建模应用。
2023-05-24 stat.AP
Online Bootstrap Inference for the Trend of Nonstationary Time Series
LMU Munich(慕尼黑大学);Munich Center for Machine Learning(慕尼黑机器学习中心)
提出一种在线自助法方案,用于非平稳时间序列的非参数水平估计,实现可扩展的不确定性量化,适用于自适应异常检测、在线监测等场景。
2026-06-26 stat.CO stat.ME
Structured Black Box Variational Inference for Latent Time Series Models
Disney Research(迪士尼研究院)
连续潜在时间序列模型在贝叶斯建模中很普遍;示例包括卡尔曼滤波器、动态协同过滤或动态主题模型。这些模型通常受益于结构化的,非平均场变分近似,捕获时间步长之间的相关性。黑盒变分推断与重新参数化梯度(BBVI),使我们能够探索一个丰富的新的类贝叶斯非共轭潜在的时间序列模型,然而,一个天真的BBVI的应用程序,这样的结构化变分模型将规模平方的时间步长。我们描述了一个BBVI算法类似的向前向后算法,而不是线性缩放的时间。它允许我们有效地从变分分布中采样并估计ELBO的梯度。最后,我们展示了最近提出的动态单词嵌入模型的结果,该模型是使用我们的方法训练的。
2017-07-04 cs.LG stat.ML
Simultaneous Inference for Time Series Functional Linear Regression
Illinois State University(伊利诺伊州立大学);University of Toronto(多伦多大学)
本文提出一种统一的乘数Bootstrap方法,用于构建时间序列标量-函数线性回归系数函数的联合置信带,该方法在粗糙度惩罚估计下具有正确的覆盖概率渐近性,并对不一致估计的标准差具有渐近鲁棒性。
2026-04-27 stat.ME
Resampling Methods that Generate Time Series Data to Enable Sensitivity and Model Analysis in Energy Modeling
针对能源系统建模中时间序列数据的后解分析需求,提出两种高效非参数自举方法生成可信时间序列,还探索了序列扰动技术,所生成序列适用于鲁棒性等分析,且具跨领域应用潜力。
2025-02-12 stat.CO
Modeling Multivariate Positive-Valued Time Series Using R-INLA
在本文中,我们描述了快速贝叶斯统计分析的向量正值时间序列,有趣的金融数据流的应用。我们讨论了一个灵活的水平相关模型(LCM)的框架,建立向量正值时间序列的层次模型。LCM允许我们结合正值分量响应的边缘Γ分布,同时考虑潜在水平上分量之间的关联。我们通过R-INLA包使用集成嵌套拉普拉斯近似(INLA)进行快速近似贝叶斯建模,构建自定义函数来处理此设置。我们使用所提出的方法来模拟几个股票指数的已实现波动率之间的相互依赖关系。
2022-07-02 q-fin.CP q-fin.ST stat.ME
Inference for Network Count Time Series with the R Package PNAR
本文介绍了R包PNAR,用于网络计数时间序列推断,提供非线性模型拟合、线性检验算法及copula Poisson模拟,并以德国流感数据验证。
2023-10-25 stat.CO stat.ME
Factorized Inference in Deep Markov Models for Incomplete Multimodal Time Series
A*STAR(新加坡科技研究局);MIT(麻省理工学院);National University of Singapore(新加坡国立大学)
将深度学习与潜在的状态空间模型相结合,有可能产生功能强大、易于处理和解释的时间模型。不幸的是,目前的模型并没有设计用于处理丢失的数据或多种数据模式,这两者在现实世界的数据中都很普遍。在这项工作中,我们引入了一种多模态深度马尔可夫模型(MDMMs)的因子分解推理方法,使我们能够在存在缺失数据的情况下进行过滤和平滑,同时还可以执行不确定性感知的多模态融合。我们通过对后验p(z)进行因式分解来推导该方法。|x)对于非线性状态空间模型,并开发了用于推理的变分向后-向前算法。由于我们的方法处理时间和模态上的不完整性,因此它能够对多模态时间序列进行内插、外推、条件生成、标签预测和弱监督学习。我们在高水平的数据删除下,在合成和真实世界的多模态数据上展示了这些功能。我们的方法即使在缺失数据超过50%的情况下也表现良好,并且在潜在时间序列中的推理方面优于现有的深度方法。
2019-11-22 cs.AI cs.LG cs.NE
Applying SVGD to Bayesian Neural Networks for Cyclical Time-Series Prediction and Inference
Columbia University(哥伦比亚大学);Uber AI Labs(优步人工智能实验室)
提出了一种基于回归的BNN模型来预测具有校准不确定性的时空量,如小时乘客需求。本文的主要贡献是(一)前馈确定性神经网络(DetNN)的架构,预测周期性的时间序列数据与异常预测事件的敏感性;(二)贝叶斯框架应用SVGD训练大型神经网络等任务,能够产生时间序列预测以及周围的预测的不确定性措施。实验表明,与微调的多层感知器(MLP)相比,所提出的BNN在美国8个城市的平均估计误差降低了10%,比没有SVGD训练的相同网络架构好4%。
2019-01-17 cs.LG stat.ML