Tail Risk Analysis for Financial Time Series
本章阐述如何将极值统计应用于金融时间序列以评估尾部风险，讨论无条件与条件分位数预测方法，并以S&P 500指数为案例进行风险分析与回测，同时探讨了序列依赖性对多元尾部依赖性的影响。
2024-09-27 q-fin.RM stat.AP stat.ME
Identification of Risk Extreme Values in a Time Series and Analysis with an Autoregressive Method - Application for Climate Risk Events
在这篇文章中，我们不打算重复风险管理的基本概念，但我们将尝试定义为什么经常是有用的时间序列分析在评估风险，以及如何可能计算一个有意义的分析使用回归和自回归。在介绍了趋势分析的一些基本概念后，将介绍一些识别峰的方法.当不需要使用完整的时间序列时，这通常是有用的，因为有时只关注极端情况更实际。在没有异常数据的正确时间序列的情况下，用简单的自回归模型处理极值时间序列。这就需要知道时间序列是否在周期之间具有相关性，以及有多少周期可以被认为是滞后的。我们认为，气候事件往往是滞后的，因为气候表现出明显的增长趋势，气候风险在此期间潜在地增加。不会有与风险管理相关的具体结论，因为所提出的自回归解决方案可以适用于任何时间序列分析。
2016-01-12 stat.AP
Testing the constancy of Spearman's rho in multivariate time series
提出了一类对多变量时间序列的横截面秩相关变化特别敏感的变点检测检验。派生的程序是基于斯皮尔曼的ρ的几个多元扩展。研究了两种检验方法：第一种是基于回归的检验，第二种是估计渐近零分布。证明了这两种方法在零点下对强混合观测的渐近有效性。提出了一种用于估计这两种方法中涉及的关键带宽参数的程序，使得导出的测试无参数。通过蒙特卡罗实验研究了它们的有限样本行为。最后给出了三变量财务数据的实例。
2015-02-26 stat.ME
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
Testing unit root non-stationarity in the presence of missing data in univariate time series of mobile health studies
本文针对移动健康时间序列中的缺失数据问题，提出基于状态空间模型的最大似然估计与多重插补方法以改进ADF单位根检验，并开发MNAR敏感性分析技术，通过模拟和双相情感障碍患者智能手机研究验证其有效性。
2022-10-10 stat.ME
Testing for change in mean of heteroskedastic time series
本文考虑了一种拉格朗日乘数型检验（LM），用于检测具有未知形式异方差的时间序列的均值变化。我们得到了极限分布下的零，并证明了一致性的测试对替代的突然或平滑的变化的意思。我们还进行了一些蒙特卡罗模拟来分析的大小失真和功率的建议测试。我们得出的结论是，对于中等样本量，该测试具有良好的性能。最后，我们使用标准普尔500指数的每日收盘水平进行了实证应用，以说明所提出的测试的有用性。
2011-02-26 q-fin.ST stat.ME
White noise testing for functional time series via functional quantile autocorrelation
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Macquarie University（麦考瑞大学）
本文提出了一种新的非线性检验方法，用于检测功能时间序列中的序列依赖性，基于功能分位数自相关框架，具有鲁棒性，能处理潜在的异常值和复杂非线性依赖。
2026-05-09 stat.ME
Two-Sample Testing for Event Impacts in Time Series
在许多应用领域中，监测时间序列以检测极端事件，如技术故障、自然灾害或疾病爆发。不幸的是，选择提供事件信息的时间序列和强大的检测算法两者通常是不平凡的：检测可能会失败，因为检测算法不合适，或者因为在时间序列和感兴趣的事件之间没有共享信息。因此，在这项工作中，我们提出了一个非参数的统计测试之间的共享信息的时间序列和一系列的观察到的事件。我们的测试允许识别携带事件发生信息的时间序列，而无需采用特定的事件检测方法。简而言之，我们测试的时间序列的值分布的分歧，在事件发生后的多个双样本测试方法增加滞后。与相关的测试相比，我们的方法适用于任意域上的时间序列，包括多变量数值、字符串或图形。我们进行了大规模的模拟研究，以表明它优于或等同于我们的任务单变量时间序列的相关测试。我们还展示了我们的方法在社交媒体和智能家居环境数据集上的现实适用性。
2020-01-31 stat.ME stat.ML
Bayesian Testing Of Granger Causality In Functional Time Series
本文提出多元函数型自回归模型，结合贝叶斯动态线性模型与贝叶斯因子检验格兰杰因果，并应用于金融收益率曲线和气候污染物数据。
2021-12-31 q-fin.ST stat.AP stat.ME
Monitoring the risk of a tailings dam collapse through spectral analysis of satellite InSAR time-series data
边坡失稳具有破坏力，可对生命和基础设施造成重大损害。因此，监测容易出现不稳定情况的斜坡，对于减轻斜坡坍塌所带来的风险至关重要。边坡监测的目的是检测稳定性问题的初步迹象，例如边坡变形时位移速率的变化。然后，该信息可以用于预测即将发生故障的时间或概率，以便提供早期警告。在这项研究中，提出了一个更客观的，渐进学习算法来检测和预测边坡破坏的风险，基于序列相关的位移时间序列数据的谱分析。将该算法应用于基于卫星的干涉合成雷达（InSAR）位移时间序列数据，以回顾性分析2019年巴西Brumadinho尾矿坝坍塌的风险。该算法识别出两个潜在的风险里程碑，并检测到确定但紧急的风险（2018年2月27日至2018年8月26日）和即将发生的尾矿坝坍塌风险（2018年6月27日至2018年12月24日）的迹象。重要的是，早在2019年1月25日大坝倒塌前至少五个月就发现了这种故障风险的初步迹象。本研究的结果表明，频谱方法和二阶统计特性的InSAR位移时间序列数据的组合可以揭示一个过渡到一个不稳定的变形制度的迹象，这种算法可以提供足够的早期预警，可以帮助减轻灾难性的斜坡故障。
2023-02-03 stat.AP stat.ME stat.ML
Testing for Parallelism Between Trends in Multiple Time Series
本文研究了多个非平稳时间序列的趋势推断问题。为了检验趋势是否相互平行，我们使用了基于非参数趋势估计量与其平均值之间的L2距离的平行性指数。得到了检验统计量的中心极限定理，并建立了检验的相合性。我们提出了一个基于模拟的近似分布的检验统计量，显着改善后的正常近似。该测试也适用于设计一个聚类算法。最后，有限样本的测试性能进行评估，通过模拟和测试方法说明了时间序列从摩托罗拉手机活动在美国。
2011-05-24 math.ST stat.ME stat.TH
High-dimensional Gaussian Graphical Model Testing for Long-Memory Time Series
University of Chicago（芝加哥大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
针对长记忆高维时间序列，提出数据自适应的条件独立性检验统计量，建立有限样本高斯近似界，采用块自助法，并应用于fMRI数据分析脑功能连接。
2026-11-06 math.ST stat.ME stat.ML
A robust approach for testing parameter change in Poisson autoregressive models
参数变化检验一直是时间序列分析中的一个重要问题。在整数值时间序列领域中也积极地探索了这个问题，但是在异常值存在的情况下的测试还没有被广泛地研究。本文研究了Poisson自回归模型中参数变化的检验问题，特别是当观测值被异常值污染时。为了减少异常值对检验过程的影响，我们提出了一种基于Basu等人（Biometrika，1998）提出的密度幂散度的检验方法，并推导了其极限零分布。蒙特卡罗模拟结果表明了该方法的有效性和较强的鲁棒性。
2019-08-29 stat.ME
Goodness-of-Fit Testing for Time Series Models via Distance Covariance
在许多统计建模框架中，通常对估计残差进行拟合优度检验。在时间序列设置中，使用样本自相关函数评估残差的白度。对于许多时间序列模型，特别是那些用于金融时间序列的模型，关于残差的关键假设是它们实际上是独立的，而不仅仅是不相关的。在本文中，我们应用自距离协方差函数（ADCV）来评估估计残差的序列相关性。距离协方差可以区分两个随机向量的相依性和独立性。对于一般的一类时间序列模型，导出了基于ADCV的检验统计量的极限行为。该理论的一个关键方面是调整由于参数估计而产生的相关性。无论型号规格如何，该调整基本上具有相同的形式。我们在模拟的例子中说明了结果。
2019-03-02 math.ST stat.ME stat.TH
IID Time Series Testing
传统的白噪声测试，例如Ljung-Box测试，仅研究自相关函数（ACF）。时间序列可以是异方差的，因此不是独立同分布的。但仍然是白噪声（即，具有零ACF）。异方差性的一个例子是金融时间序列：高方差的时间（金融危机）可以与低方差的时间（平静时间）交替出现。这里，时间序列项的绝对值不是白噪声。我们可以分别对原始值和绝对值进行白噪声测试，例如对两者都使用Ljung-Box测试。在本文中，我们创建了一个综合测试，它结合了这两个测试。此外，我们创建了一个通用框架来创建各种i.i.d.。试验.我们应用测试模拟数据，自回归线性和异方差。
2022-03-24 math.ST stat.TH
Symmetry Testing in Time Series using Ordinal Patterns: A U-Statistic Approach
University of Twente（特温特大学）；Universidad Politécnica de Cartagena（卡塔赫纳理工大学）
本文提出了一种基于U统计量的序数模式方法，用于高效检测时间序列中的对称性，适用于任意对称性测试，并在合成和真实数据上验证了其高灵敏度和计算效率。
2026-01-20 math.ST stat.TH
Predicting Bad Goods Risk Scores with ARIMA Time Series: A Novel Risk Assessment Approach
Department of Computer Science and Engineering, National Institute of Technology Rourkela（计算机科学与工程系，拉尔卡纳国家理工学院）
提出结合 ARIMA 时间序列预测与专有不良品计算公式的风险评估框架，并在 Organic Beer-G 1 Liter 数据上验证其优于传统统计模型。
2025-06-09 cs.AI cs.LG stat.AP
Long range dependence spectral testing from discretely observed functional time series in manifolds
University of Granada（格拉纳达大学）；University of Santiago de Compostela（圣地亚哥-德孔波斯特拉大学）
本文研究流形中离散观测的受污染函数型时间序列的长程依赖谱检验，分析该检验程序的渐近性质，拓展了原有完全观测数据下的检验框架。
2026-08-12 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
A similarity measure for second order properties of non-stationary functional time series with applications to clustering and testing
由于数据存储技术的激增，需要开发适当的技术来识别模式，并从由此产生的巨大的数据集提取知识，这些数据集可以被视为依赖功能数据的集合，这在许多科学领域越来越受到关注。我们开发了一个相似性度量的频谱密度运营商的功能时间序列的集合，这是基于聚合的希尔伯特-施密特差异的个人随时间变化的频谱密度运营商。在相当一般的条件下，得到了相应估计量的渐近性质，并建立了渐近正态性。引入的统计本身自然量化功能时间序列，我们随后利用，以建立一个谱聚类算法之间的相似性。我们的算法是第一个在非平稳（功能）时间序列的分析，并能够发现特定的模式，通过分组在一起的“类似”系列成集群，从而大大降低了分析的复杂性。该算法实现简单，计算可行。作为进一步的应用，我们提供了一个简单的测试的假设，两个非平稳功能时间序列的二阶属性相吻合。
2018-12-01 math.ST stat.ME stat.TH
Testing for independence between functional time series
计量经济学家经常对验证两个或多个时间序列之间的关系感兴趣。这种分析通常通过因果关系和/或独立性检验来进行，当数据是单变量或多变量时，这些检验已经得到了很好的研究。然而，现代数据越来越具有高维或函数性质，有限维方法不适合。在本文中，我们开发的方法来检查的假设，从两个功能时间序列获得的数据是独立的。我们的方法是基于经验互协方差算子的范数，并渐近验证时，基本的人口被假定为一类弱相关的随机函数，其中包括功能ARMA，GARMA和GARMA过程。
2014-03-22 math.ST stat.TH
Testing for parameter change in general integer-valued time series
研究一类离散值时间序列的结构变化，即条件分布服从单参数指数族。我们提出了一个基于模型参数的极大似然估计的变点检验。在（无变化）的原假设下，检验统计量收敛于已知分布，允许计算检验的临界值。检验统计量在备选项下发散到无穷大，即检验渐近具有功效1。一些模拟结果和实际数据的应用报告显示的测试程序的适用性。
2016-02-28 math.ST stat.TH
Tight Risk Bound for High Dimensional Time Series Completion
低秩矩阵补全最初是为独立数据设计的，在许多领域被成功地应用于部分观测的高维时间序列的重建。然而，缺乏理论来支持这些方法的应用依赖数据。在本文中，我们提出了一个通用的模型，多变量，部分观测的时间序列。我们表明，最小二乘法与秩罚导致重建误差相同的顺序为独立的数据。此外，当时间序列具有一些附加属性，如周期性或平滑性时，速率实际上可以比独立情况下更快。
2022-03-11 math.ST stat.TH
On nonparametric and semiparametric testing for multivariate linear time series
我们制定了非参数和半参数假设检验的多元平稳线性时间序列在一个统一的方式，并提出了新的检验统计量的基础上估计的谱密度矩阵。这些检验统计量在原假设下的极限分布始终是正态分布，并且可以很容易地实现以供实际使用。如果零假设为假，则随着样本量趋于无穷大，零假设也趋于无穷大，因此对于任何替代方案都是相合检验。该方法适用于各种零假设，如分量序列之间的独立性、分量序列的自协方差函数或自相关函数的相等性、协方差阵函数的可分性和时间可逆性等。此外，具有非线性约束（如两个序列之间的条件独立性）的原假设可以以相同的方式进行测试。
2009-09-02 math.ST stat.TH
Testing for change points in time series models and limiting theorems for NED sequences
本文首先建立了近历元相关序列前后向和的强大数律和强不变原理。利用这些极限定理，我们发展了一个一般的渐近理论的Wald测试的变点在一般类的时间序列模型下的无变点假设。作为一个应用，我们验证了我们的假设的长记忆分数ARIMA模型。
2007-08-17 math.ST 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
Applications of Universal Source Coding to Statistical Analysis of Time Series
Siberian State University of Telecommunications and Informatics（西伯利亚国立电信与信息大学）
我们展示了如何通用代码可以用来解决一些最重要的时间序列统计问题。根据定义，通用代码（或通用无损数据压缩器）可以将由平稳和遍历源生成的任何序列渐近压缩到香农熵，而香农熵又是无损数据压缩器可实现的最佳比率。本文研究了有限字母表时间序列和实值时间序列的极限概率估计、实值时间序列的密度估计、在线预测、回归、分类等问题（或附带信息的问题）以及以下假设检验问题：拟合优度检验或同一性检验，以及序列独立性检验。值得注意的是，所有问题都是在经典数理统计的框架内考虑的，另一方面，日常的数据压缩（或存档）方法可以用作估计和测试的工具。事实证明，在实践中应用时，建议的方法和测试往往比已知的方法和测试更强大。
2008-09-07 cs.AI cs.IT math.IT
Testing and Estimating Change-Points in the Covariance Matrix of a High-Dimensional Time Series
本文研究了高维线性时间序列协方差结构中变点的检验和估计方法。假设的框架允许一个大类的多元线性过程（包括向量自回归移动平均（VARMA）模型）的增长维度和尖峰协方差模型。该方法使用中心或非中心样本方差-协方差阵的双线性型。变点检验和估计是基于最大选择加权累积和（MANUUM）统计量。大样本近似下的变点制度，包括一个多变量的CRAMUM变换的增加的维度。对于未知的渐近方差和协方差参数（对）的统计量，我们提出了一致的估计。基于弱大数定律的顺序版本，我们还考虑停止样本估计的观察，直到估计的变点。有限样本性质的程序进行了研究，通过模拟和他们的应用程序进行了说明，通过分析一个真实的数据集，从cumbermetrics。
2020-01-13 math.PR math.ST stat.AP
Testing Equality of Autocovariance Operators for Functional Time Series
我们考虑希尔伯特空间值随机变量的严格平稳随机过程，并着重于几个独立函数时间序列的零滞后自协方差算子相等性的全函数检验。提出了一种基于移动块引导的测试方法，该方法产生满足感兴趣的原假设的伪随机元。它是基于直接引导的张量积的时间序列，克服了一些常见的困难与应用程序的引导相关的测试问题。建议的方法可以潜在地应用于广泛的检验统计量的假设的兴趣。作为一个例子，我们建立了有效的近似分布下的空的检验统计量的基础上相应的样本滞后零自协方差算子的Hilbert-Schmidt距离，并显示下的替代品的一致性。作为一个先决条件，我们证明了一个中心极限定理的移动块自助程序适用于样本自协方差算子，这是感兴趣的本身。有限的样本量和功率性能的建议移动块引导为基础的测试过程中示出通过模拟和应用程序的现实生活中的数据集进行了讨论。
2020-04-05 math.ST stat.TH
Beyond Coefficients: Forecast-Necessity Testing for Interpretable Causal Discovery in Nonlinear Time-Series Models
Lucy Family Institute for Data & Society（数据与社会联合研究所）；University of Notre Dame（诺特大学）；Department of Political Science（政治学系）
针对非线性时间序列模型中因果分数被误读为回归系数的问题，提出基于边消融和预测比较的预测必要性检验框架，以评估因果关系的实际必要性。
2026-04-20 cs.AI cs.LG stat.ME
GARCH-UGH: A bias-reduced approach for dynamic extreme Value-at-Risk estimation in financial time series
在险价值（Value-at-Risk，VaR）是金融风险管理中广泛使用的工具。从操作和监管的角度来看，在极端水平下估计损失收益分布的风险价值是金融应用中的一个重要问题;特别是，最近的过去，极端风险价值的动态估计受到了极大的关注。本文提出了一种两步偏差减小的估计方法GARCH-UGH（Unbiased Gomes-de Haan），即首先使用AR-GARCH模型对金融收益进行滤波，然后将偏差减小的极值分位数估计应用于标准化残差，以估计一步前的动态极值VaR。我们的研究结果表明，GARCH-UGH估计是更准确的角度来看，通过传统的AR-GARCH滤波和极值估计的样本内和样本外回测的几个金融时间序列的历史日收益率。
2021-04-20 q-fin.RM stat.AP
Testing for change-points in long-range dependent time series by means of a self-normalized Wilcoxon test
我们提出了一种基于Wilcoxon双样本检验统计量的检验方法，以检验长期相关数据均值的变点。我们表明，相应的自归一化检验统计量收敛于分布的非退化限制的假设下，没有发生变化，它发散到无穷大下的一个变点与恒定的高度的替代。在局部替代下，即假设水平移动的高度随着样本量的增加而减小，我们得到了自归一化Wilcoxon检验统计量的渐近分布.关于有限样本性能，模拟结果证实，自归一化Wilcoxon检验在假设和替代之间产生一致的区分，并且其经验大小已经接近中等样本量的显着性水平。
2014-09-09 math.ST stat.TH
Risk measure estimation for $β$-mixing time series and applications
在本文中，我们讨论了极值理论的应用背景下，平稳的$β$ -混合序列属于Fréchet吸引区域。特别是，我们提出了一种方法来构建偏差校正尾部估计。我们的方法是基于组合的两个估计的极值指数，以消除偏差。由此产生的估计量用于估计极端分位数。在模拟研究中，我们概述了我们的建议，我们最近在文献中介绍的替代估计的性能。此外，我们在可能的情况下计算特定示例中的渐近方差。我们的方法适用于两个数据集的金融和环境。
2017-08-22 math.ST stat.TH
Prediction of Delirium Risk in Mild Cognitive Impairment Using Time-Series data, Machine Learning and Comorbidity Patterns -- A Retrospective Study
该研究基于MIMIC-IV v2.2分析MCI患者共病与生存特征，并使用时间序列、人口学和CCI等变量构建LSTM模型，实现AUROC 0.93、AUPRC 0.92的谵妄风险预测。
2025-05-05 cs.AI stat.AP
Testing for the Markov Property in Time Series via Deep Conditional Generative Learning
University of California at Berkeley（加州大学伯克利分校）；London School of Economics and Political Science（伦敦政治经济学院）
本文提出一种基于深度条件生成学习的非参数检验方法，用于检验高维时间序列的马尔可夫性质并推断模型阶数，通过双重稳健统计量和交叉拟合实现参数收敛速度，模拟与实证验证了其有效性。
2023-05-30 cs.LG stat.ML
Testing for unspecified periodicities in binary time series
本文提出一种检验二元时间序列成功概率是否具有未指定周期性的方法，通过辅助整数构建新序列并基于 Fisher 的 $g$ 检验推导统计量，证明了检验在原假设下渐近保持水平，且对大多数备择假设具有功效。
2024-10-14 math.ST stat.TH
Copula-Based Clustering of Financial Time Series via Evidence Accumulation
University of Trieste（的里雅斯特大学）
提出基于证据累积和多种 Copula 相异性度量的聚类方法，以识别风险情景下行为相似的资产，帮助风险厌恶投资者构建分散化投资组合，并在 EURO STOXX 50 数据上验证。
2025-10-07 stat.AP
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
Testing Separability of Functional Time Series
我们推导和研究的显着性检验，以确定是否一个面板的功能时间序列是可分离的。在本文的上下文中，可分性意味着协方差结构因子为两个函数的乘积，一个仅取决于时间，另一个仅取决于面板的坐标。可分性是一种可以通过显著降低模型复杂度来显著提高计算效率的性质。它对函数数据特别有用，因为它意味着面板中每个成员的函数主成分都是相同的。然而，在进行进一步的推理之前，这种假设必须得到验证。我们的方法是基于功能规范的差异，并提供了一个测试，以及控制的大小和高功率。我们建立我们的程序相当一般，允许一个测试的自协方差的可分性。除了一个渐近的理由，我们的方法是通过模拟研究验证。它适用于功能面板的颗粒物污染和股票市场数据。
2018-01-16 math.ST stat.TH
A novel health risk model based on intraday physical activity time series collected by smartphones
我们编写了一个演示应用程序，并收集了超过10，000名智能手机用户的运动数据库，以生成一个基于身体活动流的健康风险模型。我们转向对抗领域自适应，并采用英国生物银行的运动数据集，通过丰富的临床信息集作为源域进行增强，使用深度残差卷积神经元网络（ResNet）训练模型。模型风险评分是衰老的生物标志物，因为它可以预测寿命和健康寿命（由特定疾病的发作定义），并且在与缩短寿命的生活方式（如吸烟）相关的群体中升高。我们在一个较小的移动应用程序队列中确定了目标域性能，其中包括愿意分享与其疾病和吸烟状况相关的简短问卷的答案的用户。因此，我们得出结论，结合深度卷积和域对抗神经元网络（DANN）的拟议管道是一种强大的工具，可以通过移动运动传感器进行疾病风险和生活方式相关的危险评估，这些传感器可以跨设备和人群进行转移。
2018-12-06 cs.HC stat.AP
Testing error distribution by kernelized Stein discrepancy in multivariate time series models
知道误差分布在许多多变量时间序列应用中是重要的。为了减少错误分布的风险，需要测试方法来检测所选择的错误分布是否正确。然而，现有的大多数检验方法只针对某些特殊的多元时间序列模型进行了多元正态分布的检验，因而不能用于检验实际应用中常见的重尾和偏态误差分布。本文基于核化Stein差异，构造了一般多元时间序列模型的一种新的相容性检验。考虑到估计的不确定性和未观测到的初始值，提供了一种自举方法来计算临界值。我们的新测试是易于实现的大范围的多元误差分布，其重要性是由模拟和真实数据说明。
2020-08-03 econ.EM stat.ME
Reverse Stress Testing Geopolitical Risk in Corporate Credit Portfolios: A Formal and Operational Framework
University of Orléans (LEO)（奥尔良大学）；Institut Universitaire de France (IUF)（法兰西学院）；Square Research Center（Square研究中心）
本文提出一种反向压力测试框架，用于评估企业信贷组合中地缘政治风险对资本充足率的影响。
2026-01-07 econ.EM
Transmission of Macroeconomic Shocks to Risk Parameters: Their uses in Stress Testing
在本文中，我们感兴趣的是在极端经济条件下的金融投资组合的弹性评估。因此，我们使用经验的措施来表征宏观经济冲击的风险参数的传递过程。我们建议使用一个广泛的家庭的模型，称为一般传递函数模型，以及压缩的影响措施所描述的传输特性。估计这些模型的参数的程序描述采用贝叶斯方法和使用的影响措施提供的先验信息。此外，我们说明了使用的估计模型的信用风险数据的投资组合。
2019-05-17 econ.EM stat.AP stat.OT
Minimax Risk in Estimating Kink Threshold and Testing Continuity
在不知道门限回归模型是否连续的情况下，给出了估计门限参数的风险下界。当样本大小$ n $仅以立方根速率增长时，界限变为零。出于这一发现，我们开发了一个连续性测试的阈值回归模型和自举计算其\textit{p}值。通过蒙特卡罗模拟验证了该方法的有效性，并探讨了其有限样本性质.
2022-03-01 econ.EM math.ST stat.TH
Evaluating financial tail risk forecasts: Testing Equal Predictive Ability
本文通过模拟研究了DM检验和MCS检验程序在金融尾部风险预测（VaR和ES）非对称损失函数下的有限样本性质，发现检验在极端分位数和小样本下功效受限且存在第三类错误，并从理论和实证解释了其原因。
2025-05-29 econ.EM stat.AP
Model Selection in Time Series Analysis: Using Information Criteria as an Alternative to Hypothesis Testing
应用研究中的模型选择问题至关重要。由于这种研究的真实模型是未知的，在各种可能的模型中应该使用哪种模型是一个经验问题。可能存在几种竞争模式。处理这种情况的典型方法是经典假设检验，基于真实零假设存在的基本假设，使用任意选择的显著性水平。在本文中，我们探讨如何成功地使用时间序列数据在不同的数据生成过程中，这种方法是在确定正确的模型。一种替代方法的基础上更正式的模型选择技术，使用信息标准或交叉验证的建议和评估的时间序列环境中通过蒙特卡罗实验。本文还探讨了有效性，决定什么类型的一般关系存在于两个变量之间（例如，关系的水平或关系的第一个差异），使用各种策略的基础上假设检验和信息标准的存在或不存在的单位根。
2018-05-23 econ.EM
Sharp Results for Hypothesis Testing with Risk-Sensitive Agents
Massachusetts Institute of Technology（麻省理工学院）
本文研究了博弈论框架下的假设检验问题，提出了在策略性智能体选择加入的情况下控制 Bayes 错误发现率（FDR）的不可改进上界，并证明了检验协议的极大极小性质。
2024-12-21 cs.GT cs.LG econ.EM
Stress Testing Network Reconstruction via Graphical Causal Model
金融资产组合的弹性最优评估意味着对宏观经济变量和风险参数之间的多重相互关系有合理的假设。在本文中，我们提出了一个图形模型的因果结构的重建，连接多个宏观经济变量和评估的风险参数，这是我们称之为压力测试网络（Stress Testing Network）的结构。在这个模型中，宏观经济变量和风险参数之间的关系在它们的时间序列之间定义了一个"关系图"，其中相关的时间序列通过边连接。我们的建议是基于时间因果模型，但与此不同的是，我们在结构中加入了特定的条件，这些条件对应于这种类型的网络的内在特征。使用所提出的模型并考虑到问题的高维性质，我们使用正则化方法来有效地检测时间序列中的因果关系并重建潜在的因果结构。此外，我们还举例说明了模型在投资组合信用风险数据中的应用。最后，我们讨论了它在压力测试中的用途和实际好处。
2020-01-30 econ.EM math.OC stat.AP
Testing for the Asymmetric Optimal Hedge Ratios: With an Application to Bitcoin
本文提出多元框架下检验对称与非对称最优对冲比率的方法，并以比特币为例证明最优对冲比率依赖于投资者头寸方向，做多与做空的条件最优对冲比率差异显著。
2024-08-01 econ.EM q-fin.RM
