Enhancing Multivariate Time Series Forecasting with Mutual Information-driven Cross-Variable and Temporal Modeling
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Huawei Technologies Ltd.（华为技术有限公司）
针对通道混合引入不相关信息损害多元时间序列预测的问题，提出CDAM与TAM分别建模跨变量去相关和时间互信息，显著超越现有模型。
2024-03-01 cs.LG stat.ML
Cramér Type Moderate Deviation for the Maximum of the Periodogram with Application to Simultaneous Tests in Gene Expression Time Series
本文导出了周期图最大值的Cramér型中偏差及其学生化形式。然后将结果应用于基因表达时间序列的同时测试问题。结果表明，如果基因数$G$和样本量$n$满足$G=\exp(o(n^{1/3}))$，则同时检验的水平是准确的。
2009-08-10 math.PR math.ST 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 multiple change-point and factor analysis for high-dimensional time series
我们提出了第一个全面的治疗高维时间序列因子模型与多个变点在其二阶结构。我们在分段平稳性的最灵活的定义下操作，并一致地估计变点的数量和位置，以及确定它们是否起源于共同或特殊的组件。利用小波变换，将高维时间序列二阶结构的变点检测问题转化为高维面板数据的变点检测问题。此外，我们的方法规避了困难的问题，准确估计的真实数量的因素存在多个变点，通过采用筛选程序。我们进一步表明，一致的因素分析，实现了在每个部分所定义的变点估计所提出的方法。在广泛的模拟研究中，我们观察到，变点检测前的因素分析提高了变点的可检测性，并确定和描述了一个有趣的“溢出”效应，其中特质成分中的实质性突破很自然地被确定为共同成分中的变点，这促使我们将相应的变点也视为一种形式的“因素”。我们的方法是在R包{ \tt factorcpt}中实现的，可从CRAN获得。
2018-05-29 stat.ME
Simultaneous Sieve Estimation and Inference for Time-Varying Nonlinear Time Series Regression
本文研究局部平稳时间序列的时变非线性回归，提出具有一致收敛性的筛非参数估计量，发展了统一的同时推断理论及乘子自助法，并开发了R包SIMle辅助实现。
2025-06-29 math.ST stat.ME stat.TH
Simultaneous predictive bands for functional time series using minimum entropy sets
针对平稳函数时间序列的同时预测置信带构建问题，提出基于最小熵集、结合函数自助法与RKHS的构建方法，经人工和真实数据集验证了方法有效性。
2023-05-04 math.FA stat.ME
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
Bayesian Model Search for Nonstationary Periodic Time Series
我们提出了一种新的贝叶斯方法来分析非平稳时间序列，表现出振荡行为。我们近似的时间序列使用一个分段振荡模型与未知的周期，我们的目标是估计的变化点，同时确定潜在的变化周期的数据。我们提出的方法是基于一个跨维的马尔可夫链蒙特卡罗（MCMC）算法，同时更新的变化点和周期性相关的任何部分之间。我们表明，所提出的方法成功地确定了两个应用程序中的时间变化的振荡行为，这是相关的电子健康和睡眠研究，即发生ultradian振荡的人的皮肤温度在夜间休息的时间，和检测的情况下，睡眠呼吸暂停体积描记呼吸道。
2019-05-28 stat.ME
Identifying Elasticities in Autocorrelated Time Series Using Causal Mechanism Graphs
Hertie School（赫蒂学院）；ETH Zurich（苏黎世联邦理工学院）；University of Cologne（科隆大学）
本文提出利用因果时间图简化工具变量识别并选择一致估计量，通过未观测混淆因子建模均衡条件推导DAG，应用于德国电力市场估计需求价格弹性，强调了考虑结构自相关的重要性。
2026-10-20 econ.EM stat.ME stat.ML
Interpretable additive model for analyzing high-dimensional functional time series
本文提出一种可解释的加法模型，用于分析高维函数时间序列，通过双变量系数表面和稀疏性引入，提升预测准确性和可解释性。
2025-12-05 stat.CO stat.ME
On a simultaneous parameter inference and missing data imputation for nonstationary autoregressive models
本文研究了时间序列分析中的缺失数据问题，重点研究了存在缺失数据时模型参数的估计和缺失数据的重建。用于解决这些问题的标准方法（如极大似然估计或贝叶斯推断）依赖于先验假设（如缺失数据的高斯或平稳行为），并且在这些假设未得到满足的情况下可能导致偏倚结果。为了更进一步，我们将模型参数有界变差的外生因子向量自回归模型的有限元方法（FEM-VARX）扩展到处理缺失数据问题。该方法在考虑时间序列和所涉及的外生因素的情况下，同时估计模型参数和重建缺失数据。由此产生的计算框架进行了比较，国家的最先进的方法对一组测试案例，并作为开放源码软件。
2019-12-30 stat.ME
Recurrent Deep Divergence-based Clustering for simultaneous feature learning and clustering of variable length time series
UiT The Arctic University of Norway（挪威北极大学）
聚类未标记的时间序列和序列的任务需要一组特定的挑战，即充分建模时间关系和可变序列长度。如果这些挑战没有得到适当的处理，那么生成的集群可能质量不佳。作为一个关键的解决方案，我们提出了一个基于深度学习的时间序列联合聚类和特征学习框架。对于给定的一组时间序列，我们训练一个递归网络来表示或嵌入向量空间中的每个时间序列，使得基于发散的聚类损失函数可以以端到端的方式发现底层聚类结构。与以前的方法不同，我们的模型固有地处理可变长度的多变量时间序列，并且不需要在输入空间中指定距离度量。在一组不同的基准数据集上，我们说明了我们提出的基于递归深度分歧的聚类方法优于以前的方法，或者与以前的方法相当。
2019-02-16 cs.LG stat.ML
An End-to-End Time Series Model for Simultaneous Imputation and Forecast
Cornell University（康奈尔大学）；IBM Research（IBM研究院）
针对含缺失值的时间序列，本文提出端到端联合训练两个神经网络的模型，同时学习特征相关性与时间行为，实现缺失插补和多步超前预测，性能优于现有方法。
2023-06-01 cs.LG stat.ML
Simultaneous Change-Point Inference for High-Dimensional Functional Time Series
Ruhr-Universität Bochum（波鸿鲁尔大学）
该研究提出了高维函数型时间序列的同时变点推断框架，基于逐坐标累积和统计量与残差块乘子自助法，实现了变点的有效检测与定位，经模拟及实际数据验证了其性能。
2026-09-07 math.ST stat.TH
Simultaneous estimation of the effective reproduction number and the time series of daily infections: Application to Covid-19
ETH Zürich（苏黎世联邦理工学院）
提出一种贝叶斯方法，通过新颖的MCMC算法联合估计每日新感染数和有效再生数，在Covid-19数据上比三步法更准确。
2026-06-01 stat.AP stat.ME
A Skew-t-Normal Multi-Level Reduced-Rank Functional PCA Model with Applications to Replicated `Omics Time Series Data Sets
基因组学和代谢组学领域的一个强有力的研究设计是“重复时间过程实验”，其中观察生物单位样本（如人类患者）的个体时间序列，称为重复。分析这些数据集的标准做法是用函数混合效应模型独立拟合每个变量（例如基因转录本），以解释重复间方差。然而，这种独立性假设在生物学上是不可信的，因为已知变量高度相关。在这篇文章中，我们提出了一个偏t正态多水平降秩函数主成分分析（FPCA）模型，同时建模变量间和重复间的方差。降秩FPCA模型计算效率高，并且类似于用于矢量数据的标准PCA，提供了可用于识别时间变化的主要模式的低维表示。通过一个探索卡介苗感染的遗传反应的案例研究，我们证明了这些低维表示是非常生物学上可解释的。我们还表明，使用模拟研究，建模所有变量同时大大减少了估计误差的独立性假设相比。
2011-12-01 stat.ME
Systematic assessment of the effects of space averaging and time averaging on weather forecast skill
直觉上，如果预测一周的平均天气而不是一天的平均天气，并且对于不同的空间平均区域，人们会期望更熟练的预测。然而，很少有系统的研究平均和预测技巧与现代预测，因此，它是不清楚有多少改善预测性能产生通过平均。在这里，我们提出了一个直接调查的平均效应，业务数值天气预报的数据的基础上。分析数据的降水量和地面温度，提前时间约为1至7天，时间和空间平均直径分别为1至7天和100至4500公里。对于不同的地理位置，时间或空间平均的影响可能不同，虽然降水量没有明显的地理模式，但温度有明显的空间模式。对于温度，一般来说，时间平均在海岸线附近最有效，在陆地上也有效，在海洋上最不有效。根据全球所有地点的情况，时间平均法的效果不如预期。为了帮助理解为什么时间平均有时可能是最低限度的有效性，一个随机模型进行分析，作为一个合成的天气时间序列，和解析公式的解相关时间。实际上，虽然时间平均产生视觉上更平滑的时间序列，但它不一定导致时间序列的可预测性的实质性增加。
2022-07-17 physics.ao-ph stat.AP
Spatio-Temporal Autoregressions for High Dimensional Matrix-Valued Time Series
City University of Hong Kong（香港城市大学）；Southwestern University of Finance and Economics（西南财经大学）；Macquarie（麦格理银行）；London School of Economics and Political Science（伦敦政治经济学院）
本文针对高维矩阵值时间序列，提出结合时空动态的双带宽时空自回归模型，开发迭代广义Yule-Walker估计量与两步序贯估计程序，以解决内生性问题并实现多维度交互分析，用于日内交易量曲线预测。
2026-08-18 stat.AP stat.ME
Bayesian Model for Multiple Change-points Detection in Multivariate Time Series
本文研究了多变量时间序列中的变点检测问题。所提出的方法与现有的同行不同，只做弱假设的变点结构跨系列，和统计信号分布。具体而言，不假设变化点发生在跨系列的同时时刻，并且不假设单个信号的特定分布。它依赖于对单个时间段进行的局部鲁棒统计测试与能够从多个局部统计（从唯一时间序列或多个时间序列的段）优化配置的全局贝叶斯框架的组合。使用广泛的实验设置，我们的算法表现良好的高斯数据，与经典的方法，如融合套索和伯努利高斯模型的召回率和精度相同的结果。此外，它优于参考模型的情况下，非正态数据与离群值。确认通过验收水平对错误发现率的控制。在多变量数据的情况下，学习同时变化点被某些特定时间序列共享的概率。最后，我们用来自能源监测和基因组学的真实数据集来说明我们的算法。分割相比，国家的最先进的方法的基础上融合套索和组融合套索。
2014-07-11 math.ST stat.ME stat.TH
Semiparametric generalized linear models for time-series data
人口健康和流行病学中的时间序列数据常常涉及非高斯响应。在本说明中，我们提出了一个半参数广义线性模型框架的时间序列数据，不需要规范的工作条件响应分布的数据。相反，基本的响应分布被视为一个无限维的参数，同时估计与通常的有限维参数通过最大经验似然方法。给出了所得估计量的一般相合性结果。仿真结果表明，估计和推断，使用所提出的方法可以执行以及正确指定的参数模型，即使是中等的样本量，但可以更强大的模型误指定下的参数方法。该方法用于分析Zeger（1988）的脊髓灰质炎数据集和Menendez等人（2015）最近的Kings Cross攻击数据集。
2016-03-09 stat.ME
Changepoint detection on a graph of time series
当分析可能受到变化点影响的多个时间序列时，有时可以通过图形先验地指定哪些时间序列对可能受到同时变化点的影响。本文提出了一个信息前的变化点编码的图形中包含的信息，诱导多个时间序列的变化点模型，借用跨集群的连接时间序列检测同步变化点的弱信号的强度。用于变化点的图形模型被进一步扩展以允许图中相邻时间序列上的附近但不一定同步的变化点之间的依赖性。提出了一种新的利用辅助变量的可逆跳马尔可夫链蒙特卡罗（MCMC）算法对图形变点模型进行采样。通过对洛斯阿拉莫斯国家实验室（LANL）的计算机网络认证日志进行变点分析，证明了所提出的方法的优点，从而证明了在检测通过网络连接连接的用户之间的网络入侵的弱信号方面的改进，同时限制了错误警报的数量。
2023-02-08 stat.ME
Detection of Structural Distortions in Functional Time Series
Indian Statistical Institute（印度统计研究所）；University of Connecticut（康涅狄格大学）
本文从贝叶斯视角，基于功能时间序列的状态空间表示，提出新颖方法与分块吉布斯采样算法，在金融、温度数据集上验证了其检测功能时间序列结构畸变的有效性。
2026-08-17 math.ST stat.ME stat.TH
Distribution-Free Prediction Bands for Multivariate Functional Time Series: an Application to the Italian Gas Market
本文针对能源交易中的不确定性量化问题，提出一种可扩展的多元函数时间序列无分布预测带方法，能保证无条件覆盖和渐近精确性，并成功应用于意大利天然气市场的需求与报价曲线预测。
2024-01-15 stat.AP stat.ME
As easy as APC: overcoming missing data and class imbalance in time series with self-supervised learning
University of Amsterdam（阿姆斯特丹大学）；Clue by BioWink GmbH（Clue by BioWink有限责任公司）；Stanford University（斯坦福大学）
高水平的缺失数据和严重的类别不平衡是普遍存在的挑战，通常同时存在于现实世界的时间序列数据中。现有的方法分别处理这些问题，经常对底层数据生成过程做出重大假设，以减少缺失信息的影响。在这项工作中，我们演示了如何利用一般的自监督训练方法，即自回归预测编码（APC），在没有强假设的情况下同时克服缺失数据和类不平衡。具体来说，在一个合成数据集上，我们表明，通过使用APC，标准基线得到了大幅改善，在高缺失和严重类别不平衡的组合设置中获得了最大的收益。我们进一步将APC应用于两个真实世界的医疗时间序列数据集，并表明APC提高了所有设置中的分类性能，最终在Physionet基准上实现了最先进的AUPRC结果。
2022-01-26 cs.AI cs.LG cs.NE
False positive control in time series coincidence detection
University of Chicago（芝加哥大学）
本文提出基于时间偏移的方法，用于时间序列中巧合检测的假阳性控制，并通过理论分析和实验证明其在依赖数据中的有效性。
2026-01-19 math.ST stat.TH
Sparse dynamical system identification with simultaneous structural parameters and initial condition estimation
稀疏非线性动力学识别（SINDy）已被证明可以成功地从数据中恢复控制方程;然而，这种方法假设初始条件是预先精确已知的，并且对噪声敏感。在这项工作中，我们提出了一个积分SINDy（ISINDy）的方法，同时识别模型结构和参数的非线性常微分方程（ODE）从噪声的时间序列观测。首先，状态估计通过惩罚样条平滑，然后代入积分形式的数值离散求解器，导致一个伪线性回归。通过序贯阈值最小二乘法从超定的候选特征集中提取最少的有效项，从而同时估计结构参数和初始条件，同时使所识别的动力学具有简约性和可解释性.仿真详细说明了该方法的恢复精度和对噪声的鲁棒性。例子包括逻辑方程、洛克特-沃尔泰拉系统和洛伦兹系统。
2022-10-31 cs.SY eess.SY math.DS
Generalised learning of time-series: Ornstein-Uhlenbeck processes
在机器学习、统计学、计量经济学和统计物理学中，交叉验证（CV）被用作量化统计模型泛化性能的标准方法。在时间序列中直接应用CV会导致序列相关性的丢失、保持非平稳性的要求以及用未来数据预测过去数据。在这项工作中，我们提出了一种称为重建交叉验证（rCV）的元算法，可以避免所有这些问题。首先，用原始时间序列的非重叠随机选择的子集形成k个折叠。然后，我们通过从给定的折叠中删除数据点来生成k个新的部分时间序列：每个新的部分时间序列随机地从不同的整个折叠中缺失点。使用合适的填补或平滑技术来重构k个时间序列。我们称这些重建为次级模型。之后，我们使用来自次级模型的新时间序列来构建初级k时间序列模型。通过计算原始去除数据点和样本外（OSS）数据的偏差来同时评估原始模型的性能。可以使用rCV以及生成学习曲线来实践时间序列模型中的完全交叉验证。
2021-12-13 cond-mat.stat-mech cs.LG stat.ME
Multivariate Time Series Classification using Dilated Convolutional Neural Network
Xsensor Technology Corp（Xsensor科技公司）；University of Alberta（阿尔伯塔大学）
多元时间序列分类是机器学习领域的一个重要研究课题。特征提取是分类任务中的一个主要步骤。传统方法采用手工制作的特征进行分类，而卷积神经网络（CNN）能够自动提取特征。本文将扩张卷积神经网络用于多变量时间序列分类。为了部署扩张的CNN，将多变量时间序列转换为类似图像的样式，并应用扩张和跨步卷积的堆栈来同时提取时间序列中变量的特征。我们在两个人类活动识别时间序列上评估了我们的模型，发现为时间序列提取的自动特征可以像手工制作的特征一样有效。
2019-05-05 cs.LG stat.ML
Gaussian Approximation for High Dimensional Time Series
在函数相关测度的框架下，研究了高维平稳时间序列的高斯向量逼近问题。高斯近似的有效性取决于样本量$n$、维数$p$、矩条件和底层过程的依赖性。我们还考虑了长期协方差阵的估计量并研究了其收敛性。我们的研究结果允许同时构建的均值向量的高维时间序列的渐近正确的覆盖概率的置信区间。提出了一种高斯乘子自举方法。仿真研究表明，不同的$n$，$p$在不同的时刻和依赖条件下的高斯近似的质量。
2015-08-27 math.ST stat.TH
Statistical Inference for High Dimensional Panel Functional Time Series
在本文中，我们开发了高维函数时间序列的统计推断工具。我们在平方可积函数空间中引入了物理相关过程的新概念，该概念采用了平方可积函数空间中函数数据基分解的思想，并推导出了高维函数时间序列和的高斯和乘子自助逼近。这些结果有许多重要的统计后果。例如，我们认为联合同时置信带的均值函数和建设的假设，即在空间维度上的均值函数是平行的测试的发展。通过一个小的模拟研究和加拿大的温度数据分析的结果说明。
2020-03-12 math.ST stat.TH
Analyzing Multiple Nonlinear Time Series with Extended Granger Causality
在多变量时间序列分析中，识别同时采集的信号之间的因果关系是一个重要问题。对于线性随机系统，Granger提出了一个简单的过程，称为Granger因果关系来检测这种关系。在这项工作中，我们考虑非线性扩展格兰杰的想法，并指的结果作为扩展格兰杰因果关系。提出了一种简单的实现扩展格兰杰因果关系的方法，并将其应用于多个混沌时间序列和其他类型的非线性信号。此外，对于具有三个或更多时间序列的情况，我们提出了一个有条件的扩展格兰杰因果关系测度，使我们能够确定两个信号之间的因果关系是直接的还是由另一个过程介导的。
2004-05-08 math.ST nlin.CD physics.data-an
Confidence bands in nonparametric time series regression
研究了非线性随机回归模型中均值回归和条件方差（或波动率）函数的非参数估计。同时置信带的构建和覆盖概率是渐近正确的。强加的依赖结构允许在许多线性和非线性自回归过程中的应用。结果应用于S&P 500指数数据。
2008-08-07 math.ST stat.TH
Difference Attention Based Error Correction LSTM Model for Time Series Prediction
Technology and Engineering Center for Space Utilization, Chinese Academy of Sciences（中国科学院空间应用工程与技术中心）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出了一种新的时间序列预测模型，其中分别采用了差分注意力LSTM模型和纠错LSTM模型，并以级联的方式组合。而差分-注意LSTM模型引入了差分特征来执行传统LSTM中的注意，以关注时间序列中的明显变化。误差校正LSTM模型细化了差异注意LSTM模型的预测误差，进一步提高了预测精度。最后，我们设计了一个训练策略，联合训练两个模型同时进行。通过增加差异特征和新的原则学习框架，我们的模型可以提高时间序列的预测精度。在不同时间序列上的实验证明了该方法的有效性。
2020-03-30 cs.LG stat.ML
Prediction of hierarchical time series using structured regularization and its application to artificial neural networks
University of Tsukuba（筑波大学）；Fujitsu Laboratories Ltd.（富士通实验室有限公司）
本文讨论了层次时间序列的预测，其中每个上层时间序列是通过求和适当的下层时间序列计算的。对这种层次时间序列的预测应该是一致的，这意味着对上层时间序列的预测等于对相应下层时间序列的预测之和。以前的方法，使连贯的预测包括两个阶段：第一计算基础（不连贯）的预测，然后调和这些预测的基础上，其固有的层次结构。为了改善时间序列预测，我们提出了一种结构化正则化方法，同时完成这两个阶段。该方法基于底层时间序列的预测模型，并使用结构化正则化项将上层预测纳入预测模型。我们还开发了一个反向传播算法专门应用我们的方法，人工神经网络的时间序列预测。使用合成和真实世界的数据集的实验结果表明，我们的方法在预测精度和计算效率方面的优越性。
2020-07-30 cs.LG stat.ML
Dimensionality reduction for time series data
尽管它们不考虑数据的时间性质，但经典的降维技术，例如PCA，被广泛应用于时间序列数据。在本文中，我们介绍了一个特定的时间序列的贝叶斯多元自回归模型的基础上，从而避免了假设，数据点是相互独立的因子分解。关键是找到自回归矩阵的低秩估计。与其他因子模型的概率版本一样，这会导致原始数据的潜在低维表示。我们讨论了一些可能的概括和替代方案，最相关的是一种技术，同时平滑和降维。为了说明潜在的应用，我们将该模型应用于合成数据集和不同类型的神经成像数据（EEG和ECoG）。
2014-06-14 stat.ML
Recurrent Neural Filters: Learning Independent Bayesian Filtering Steps for Time Series Prediction
Oxford-Man Institute of Quantitative Finance（牛津-曼氏定量金融学研究所）
尽管深度生成状态空间模型最近很受欢迎，但网络架构与贝叶斯过滤框架的推理步骤之间的比较很少-大多数模型同时用单个递归神经网络（RNN）近似状态转换和更新步骤。在本文中，我们介绍了递归神经滤波器（RNF），一种新的递归自动编码器架构，它学习由一系列编码器和解码器捕获的每个贝叶斯过滤步骤的不同表示。在三个真实世界的时间序列数据集上进行测试，我们证明了解耦表示学习不仅提高了一步预测的准确性，同时提供了现实的不确定性估计，而且还通过分离编码器阶段促进了多步预测。
2020-09-27 cs.LG eess.SP stat.ML
Temporal-Spatial dependencies ENhanced deep learning model (TSEN) for household leverage series forecasting
Central University of Finance and Economics（中央财经大学）；Beijing Wuzi University（北京物资学院）
由于时空动态的复杂性，分析时间和空间模式以建立准确的金融时间序列预测模型是一项挑战：来自不同位置的时间序列通常具有不同的模式;对于同一时间序列，模式可能会随着时间的推移而变化。受深度学习成功应用的启发，本文提出了一个新的模型来解决中国家庭杠杆率的预测问题。我们的解决方案由多个基于RNN的层和一个注意层组成：每个基于RNN的层自动学习具有多变量外生序列的特定序列的时间模式，然后注意层学习空间相关权重并同时获得全局表示。结果表明，新方法能较好地捕捉到居民杠杆率的时空动态变化，预测结果更加准确可靠。此外，仿真研究还表明，聚类和选择相关序列是必要的，以获得准确的预测结果。
2022-10-17 cs.LG stat.ML
Simultaneous Graphical Dynamic Modeling
Duke University（杜克大学）
本文提出了一种同时图动态线性模型，用于分析高维时间序列中的因果关系，并通过贝叶斯方法提高模型的可扩展性和准确性。
2026-02-11 stat.AP stat.ME
Hierarchical Bayesian spectral analysis of multiple stationary time series
本文提出HBEST方法，通过分层贝叶斯估计多平稳时间序列的功率谱，提升计算效率和估计准确性，并应用于心率变异性时间序列以捕捉心血管风险因素关联。
2025-11-24 stat.AP stat.ME
Bayesian forecasting and scalable multivariate volatility analysis using simultaneous graphical dynamic models
最近推出的一类同步图形动态线性模型（SGDLM）定义了一种能力，规模在线贝叶斯分析和预测更高的维度时间序列。本文提出了SGDLM的方法，开发和嵌入一种新的，自适应的方法，同时预测器选择在线学习和预测的前向滤波。这些进展包括贝叶斯计算的可扩展性的发展，并在探索由此产生的潜力，改善短期预测的大规模波动矩阵的案例研究。一个案例研究涉及财务预测和投资组合优化与400维系列的每日股票价格。分析表明，SGDLM能够很好地预测波动率和共同波动率，使其非常适合为量化投资策略做出贡献，以提高投资组合回报。我们还确定了与序贯贝叶斯过滤分析相关的绩效指标，这些指标定义了金融市场压力增加的领先指标，与标准的圣路易斯联邦储备银行金融压力指数（STLFSI）指标相当，但领先。使用GPU实现的并行计算大大提高了拟合和使用这些模型的能力。
2016-06-27 stat.AP stat.ME
Semiparametric Time Series Models with Log-concave Innovations: Maximum Likelihood Estimation and its Consistency
研究新息服从对数凹分布的半参数时间序列模型。我们提出了一个一般的极大似然框架，使我们能够同时估计模型的参数和创新的密度。这个框架可以很容易地适应许多著名的模型，包括ARMA，GARCH和ARMA-GARCH。此外，我们表明，我们的新框架下的估计是一致的ARMA和ARMA-GARCH设置。我们通过一个全面的模拟研究证明了它的有限样本性能，并将其应用于模拟FTSE 100指数和兔子种群的日对数收益率。
2013-07-10 stat.ME
Autoregressive Mixture Models for Serial Correlation Clustering of Time Series Data
将时间序列聚类到相似的组中可以通过组合相似时间序列上的信息来改进模型。虽然有一个发达的机构的文献聚类的时间序列，这些方法往往会产生集群独立的模型训练，这可能会导致穷人的模型拟合。我们提出了一种新的分布式方法，同时集群和适合自回归模型组相似的个人。我们应用Wishart混合模型，以便在对相应的自协方差矩阵建模的同时对个体进行聚类。拟合的Wishart尺度矩阵通过Yule-Walker方程映射到聚类水平的自回归系数，拟合稳健的简约自回归混合模型。这种方法是能够辨别差异的基础自相关变化的时间序列的设置与大型异构数据集。我们证明了我们的集群成员估计量、系数的渐近分布的一致性，并通过模拟以及拟合COVID-19预测模型将我们的方法与竞争方法进行比较。
2022-01-16 stat.ME
