Estimating Product Cannibalisation in Wholesale using Multivariate Hawkes Processes with Inhibition
针对批发市场中的产品同类相食现象，本文提出带交叉抑制效应的多变量Hawkes过程进行建模，解决了强度函数积分难题，引入了新的稳定性条件，并在贝叶斯框架下设计了与维度无关的先验。
2023-09-09 stat.AP stat.ME
Ultrametric Wavelet Regression of Multivariate Time Series: Application to Colombian Conflict Analysis
我们首先追求的层次结构如何提供了一个很好的适应工具的变化分析的研究。然后，使用时间序列约束的层次聚类，我们开发了一种新的小波回归方法的实用方面。这提供了一种新的方式来链接多变量时间序列数据集与外部信号的层次关系。本报告通篇使用了1990年至2004年哥伦比亚冲突期间的暴力数据。最后，我们提出了一些建议，进一步研究社会暴力和市场力量之间的关系，即哥伦比亚冲突和美国毒品市场之间的关系。
2009-02-16 stat.AP stat.ML
Dynamic Covariance Models for Multivariate Financial Time Series
时变协方差的准确预测是多元金融数据建模中的一个重要问题。然而，一些最流行的模型存在以下问题：a）过拟合问题和多个局部最优，b）无法捕捉市场条件的变化，c）计算成本高。为了解决这些问题，我们引入了一种新的动态模型的时变协方差。通过遵循贝叶斯方法而不是计算点估计来避免过度拟合和局部最优。通过假设参数值中的扩散过程来捕获市场条件的变化，并且最终使用粒子滤波器执行计算上高效且可扩展的推断。金融数据的实验表明，所提出的方法相对于当前的标准模型具有良好的性能。
2013-06-02 stat.ME stat.ML
Network Time Series Models for Multivariate Volatility Forecasting
University of Bath（巴斯大学）
提出基于网络的广义异质自回归（GNHAR）模型，通过格兰杰因果检验或关联指数推断的有向图纳入截面溢出效应，实现简洁的多变量波动率预测。
2026-06-02 stat.ME
Spillovers and Co-movements in Multivariate Volatility: A Vector Multiplicative Error Model
University Sapienza-Rome（罗马大学）；CRENoS；University of Catania（卡塔尼亚大学）
本文提出了一种新的向量乘法误差模型，用于分析多变量波动中的溢出效应和共动，通过引入潜在组件和聚类方法提高计算效率，并在实证研究中验证了其有效性。
2026-01-23 stat.AP
Reverse Stress Testing for Multivariate Scenarios: A Conditional Framework for Stressed Time Series
ARCA Fondi SGR
提出一种反向压力测试方法，从单一资产类别的外生冲击出发，重建与市场经验依赖结构一致的多变量压力场景，并通过三种分布假设下的条件密度最大化求解。
2026-06-08 q-fin.RM q-fin.ST stat.ME
A Multivariate Spatial and Spatiotemporal ARCH Model
本文介绍了一种基于向量表示的多变量时空自回归条件异方差模型。该模型包括瞬时空间自回归溢出效应的条件方差，因为它们通常存在于空间计量经济学应用。此外，空间和时间的交叉变量的影响明确建模。我们使用对数平方变换将模型转换为多变量时空自回归模型，并推导出一致的拟最大似然估计（QMLE）。对于有限样本和不同的误差分布，QMLE的性能进行了分析，在一系列的蒙特卡罗模拟。此外，我们说明了新模型的实际使用与现实世界的例子。我们分析了2002年至2014年柏林三种不同类型房产的月度房地产价格回报。我们发现弱（瞬时）的空间相互作用，而在市场风险的时间自回归结构是更重要的。不同属性类型之间的相互作用仅发生在时间滞后变量中。因此，我们主要看到时间波动集群和弱空间波动溢出。
2022-04-26 econ.EM stat.AP stat.ME
Probabilistic Multivariate Time Series Forecasting with Diffusion Copulas
Department of Statistics The University of Warwick（威斯敏斯特大学统计系）；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）
本文提出了一种扩散-Copula框架，通过分离边际分布学习与依赖结构学习，改进了多变量时间序列预测中对尾部风险的估计，展示了在加密货币市场中对系统性极值的预测优势。
2026-05-19 cs.LG stat.ML
Stock Market Telepathy: Graph Neural Networks Predicting the Secret Conversations between MINT and G7 Countries
Hacettepe University（哈切特佩大学）
使用MTGNN图神经网络分析2012-2024年G7与MINT国家股市指数，揭示美国、加拿大、印尼和土耳其的影响力，并证明该方法优于传统预测模型。
2025-06-02 cs.LG econ.EM stat.AP
Fuzzy Jump Models for Soft and Hard Clustering of Multivariate Time Series Data
本文提出融合模糊 c 均值的模糊跳跃模型，可顺序估计状态概率并支持多元时间序列的软硬聚类，在高分配不确定性下优于对比方法，并成功用于三体共轨状态识别与金融牛熊阶段追踪。
2025-09-30 stat.ME
An ECM algorithm for Skewed Multivariate Variance Gamma Distribution in Normal Mean-Variance Representation
正态均值-方差混合分布在极大似然（ML）方法中被广泛用于简化模型的实现和提高计算效率。特别是对于具有正态均值-方差混合表示的分布，例如多元偏斜方差伽马（MSVG）分布，它利用期望条件最大化（ECM）算法迭代地获得ML估计。为了便于应用到金融时间序列，平均值进一步扩展到包括自回归项。针对小形状参数下的无界密度问题，提出了相应的处理方法，加快了收敛速度。模拟研究进行证明该模型的适用性，并检查估计属性。最后，应用MSVG模型分析了五个日收盘价市场指数的收益率，并使用Louis方法计算了估计参数的标准误。
2015-06-16 stat.ME
Modeling First Line Of An Order Book With Multivariate Marked Point Processes
为了描述逐时金融时间序列的波动，我们引入了一个新的模型。我们的模型，基于标记点过程，使我们能够在一个独特的过程中纳入交易的持续时间和相应的订单量。该模型的动机是这样一个事实，即市场的“激励”是不同的时间段与低交易量和高交易量。通过对毫秒级外汇数据采样的数值模拟，说明了我们的结果.通过检验主要的程式化事实，我们表明，该模型是符合经验数据。我们还发现了一个有趣的关系之间的分布有限的订单和数量的市价订单。最后，我们提出了一个应用程序的风险管理，我们介绍了一个预测程序。
2012-11-17 math.ST q-fin.ST q-fin.TR
From point forecasts to multivariate probabilistic forecasts: The Schaake shuffle for day-ahead electricity price forecasting
价格风险建模是能源市场经济决策的关键。除了单一价格的风险之外，多个价格的相关结构也常常是相关的。因此，我们提出了一个通用的和易于实现的方法，用于创建多变量概率预测的基础上，一天前的电价单变量点预测。虽然每个单变量点预测指的是一天中的一个24小时，但多变量预测分布对跨小时的相关性进行建模。所提出的方法是基于简单的Copula技术和一个可选的时间序列组件。我们举例说明了Lago等人（2020）最近提供的五个基准数据集的方法。此外，我们展示了一个例子，为连续电价的加权和构建现实的预测区间，例如，需要为单个负载配置文件定价。
2022-04-21 econ.EM stat.AP
WATTNet: Learning to Trade FX via Hierarchical Spatio-Temporal Representation of Highly Multivariate Time Series
Neuri Pte Ltd（Neuri私人有限公司）；KAIST（韩国科学技术院）
由于低信噪比、非平稳性和部分可观测性，金融是深度学习模型的一个特别具有挑战性的应用领域。无本金交割远期（NDF）是一种用于外汇（FX）交易的衍生品合约，在有效选择合约的开始和结束日期所需的长期规划方面存在额外的困难。在这项工作中，我们专注于解决NDF的男高音选择的问题，利用高维序列数据组成的即期汇率，技术指标和专家男高音模式。为此，我们从存托信托和清算公司（DTCC）的NDF数据构建了一个数据集，其中包括64个外汇对的NDF交易量和每日即期汇率的综合列表。我们引入WaveATTentionNet（WATTNet），一种新的时间卷积（TCN）模型，用于高度多变量时间序列的时空建模，并在NDF市场中验证它，在波动性和一般市场制度方面，训练和测试期间之间存在不同程度的差异。所提出的方法实现了显着的正投资回报率（ROI）在所有NDF市场的分析，表现优于经常性和经典的基线由一个很大的利润。最后，我们提出了两个正交的可解释性方法来验证噪声稳定性和检测学习男高音选择策略的驱动因素。
2019-09-24 cs.LG q-fin.ST stat.ML
Interactive Probing of Multivariate Time Series Prediction Models: A Case of Freight Rate Analysis
我们提出了一个交互式的探测工具来创建，修改和分析假设情景的多元时间序列模型。该解决方案适用于货运交易，分析师可以通过改变与需求和供应相关的计量经济变量并观察其对货运指数的影响，对运费进行敏感性分析。我们利用各种可视化技术，使直观的场景创建，更改和理解的时间序列输入和模型预测。我们的工具被证明是有用的行业从业者，证明了一个案例研究，货运贸易商给出了假设的市场情景，并成功地产生了定量货运指数预测的信心。
2021-08-31 stat.OT
Causal Regime Detection in Energy Markets With Augmented Time Series Structural Causal Models
本文提出ATSCM模型，通过学习时间变化的因果图，实现对能源市场中因果模式的检测与反事实推理。
2026-01-21 cs.LG q-fin.CP stat.ME
Deep Hedging: Learning to Simulate Equity Option Markets
J.P. Morgan（摩根大通）
我们构建了基于生成对抗网络（GANs）的现实股票期权市场模拟器。我们考虑了递归和时间卷积架构，并评估了状态压缩的影响。期权市场模拟器是高度相关的，因为它们允许我们扩展有限的真实世界数据集，用于期权交易策略的培训和评估。我们表明，基于网络的生成器在一系列基准指标上优于经典方法，对抗性训练达到了最佳性能。我们的工作首次证明了GANs可以成功地应用于生成多变量金融时间序列的任务。
2019-11-05 cs.LG q-fin.CP q-fin.MF
An estimation procedure for the Hawkes process
本文给出了多变量Hawkes点过程的一个非参数估计方法。时间轴被切割成bin，并且对于每个组件进程，计算每个bin中的点数。所得到的“箱计数序列”的分布可以通过被称为（多变量）INAR（$p$）模型的整数值自回归模型来近似。我们将INAR（$p$）模型表示为具有白噪声新息的标准向量值线性自回归时间序列（VAR（$p$））。我们分别建立了VAR（$p$）和INAR（$p$）模型的条件最小二乘估计的相合性和渐近正态性。经过适当的缩放，这些时间序列估计产生的估计为基础的多变量霍克斯过程，以及他们的渐近分布的公式。所有结果都以这样一种方式呈现，即计算机实现，例如，在R中，它是简单的。模拟研究证实了我们的估计过程的有效性。最后，我们提出了一个数据的例子，该方法被应用到双变量事件流的财务限制订单簿数据。本文对限价指令和市价指令到达的联合过程建立了一个双变量Hawkes模型。分析显示出显着的非对称关系的两个组成部分的过程：进入的市场订单激发限价订单流严重，而市场订单流几乎没有受到影响的限制订单。
2022-08-17 math.PR math.ST stat.TH
Learning Network of Multivariate Hawkes Processes: A Time Series Approach
Carnegie Mellon University（卡内基梅隆大学）
学习多个时间序列数据的影响结构是许多学科非常感兴趣的。本文研究了多元线性Hawkes过程网络因果结构的恢复问题。在这样的过程中，一个过程中事件的发生会影响其他过程中新事件发生的概率。因此，一个自然的因果关系的概念之间存在的激励矩阵的支持所捕获的这些过程。我们表明，由此产生的因果影响网络是等价的有向信息图（DIG）的过程，编码的因果因子分解的联合分布的过程。此外，我们提出了一个算法学习的支持激励矩阵（或等价的DIG）。该算法的性能进行了评估合成的多变量霍克斯网络，以及股票市场和MemeTracker真实世界的数据集。
2016-03-14 cs.AI cs.LG stat.ML
Evaluation of Granger causality measures for constructing networks from multivariate time series
格兰杰因果关系和这个概念的变体允许研究复杂的动态系统，从多变量时间序列构建的网络。在这项工作中，大量的格兰杰因果关系的措施，用于形成因果关系网络的多变量时间序列进行评估。这些测量是在时域中的，例如基于模型的测量和信息测量、频域和相域。该研究的目的还在于比较双变量和多变量的措施，线性和非线性的措施，以及使用降维在线性模型为基础的措施和信息措施。后者在高维时间序列的研究中特别重要。对于多变量因果测度的性能，低维和高维耦合动力系统被认为是在离散和连续时间，以及确定性和随机。根据它们提供与原始耦合结构相匹配的因果关系网络的能力，对这些措施进行评估和排名。模拟研究的结论是，格兰杰因果关系的措施，使用降维是优越的，特别是在涉及许多观察变量的研究，如多通道脑电图和金融市场，应首选。
2019-10-31 cs.IT math.IT nlin.CD
Learning from multivariate discrete sequential data using a restricted Boltzmann machine model
Escuela Superior Politecnica del Litoral (ESPOL)（埃斯波莱大学（ESPOL））
受限玻尔兹曼机（RBM）是一种生成式神经网络模型，具有许多新颖的应用，如协同滤波和声学建模。成果管理制缺乏保持记忆的能力，因此不适合于动态数据建模，如时间序列分析。在本文中，我们解决这个问题，提出了p-RBM模型，一个推广的常规RBM模型，能够保留记忆的p过去的状态。我们进一步展示了如何使用对比散度对p-RBM模型进行训练，并在考虑NASDAQ-100指数的100只股票的股票市场方向预测问题上对我们的模型进行了测试。结果表明，p-RBM提供了有前途的预测潜力。
2018-04-28 cs.LG stat.ML
Optimal Stock Portfolio Selection with a Multivariate Hidden Markov Model
针对不可观测的牛熊市趋势，提出链接隐马尔可夫模型（LHMM）结合高斯连接函数刻画S&P 500多行业市场动态，并基于此构建最优投资组合，实现与S&P 500指数相当的回报。
2024-06-04 stat.AP stat.ME
Joint estimation of conditional quantiles in multivariate linear regression models. An application to financial distress
本文提出了一种最大似然方法来联合估计线性回归框架中多元响应变量的边缘条件分位数。我们考虑了Kotz等人（2001）提出的多元非对称Laplace分布的一个轻微的重新参数化，并利用其位置-尺度混合表示来实现一个新的估计模型参数的期望最大化算法。其思想是将非对称拉普拉斯分布和众所周知的单变量分位数回归模型之间的联系扩展到多变量环境，即当涉及多变量因变量时。该方法考虑了多个响应之间的关联，并研究响应和解释变量之间的关系如何在响应的边际条件分布的不同分位数之间变化。一个惩罚版本的期望最大化算法也提出了解决问题的变量选择。我们的方法的有效性进行了分析，在模拟研究中，我们还提供证据的效率增益所提出的方法相比，通过单独的单变量分位数回归估计。一个真正的数据应用程序，最后提出了研究的主要决定因素，在一个样本的意大利企业的财务困境。
2018-08-03 stat.ME
Semiparametric estimation for multivariate Hawkes processes using dependent Dirichlet processes: An application to order flow data in financial markets
本研究提出一种基于相依狄利克雷过程的半参数多元霍克斯过程模型，用于分析高频订单流数据，避免强参数假设，通过两种算法实现低误差估计，并能捕捉标准模型无法处理的非单调激发函数特征。
2025-02-24 stat.ME
Marginal expected shortfall inference under multivariate regular variation
本文针对系统性风险度量中的边际期望短缺，提出基于多元正则变化理论的极端值推断方法，构造估计量及其偏差校正版本并证明渐近正态性，显著提升了现有方法的估计精度。
2023-04-15 math.ST stat.ME stat.TH
A quantitative fusion strategy of stock picking and timing based on Particle Swarm Optimized-Back Propagation Neural Network and Multivariate Gaussian-Hidden Markov Model
Guangzhou University（广州大学）；Guangdong University of Technology（广东工业大学）；Trine University（特莱恩大学）
本研究提出融合多元高斯-隐马尔可夫模型与粒子群优化反向传播神经网络的定量策略，结合选股与择时，在中国股市四年回测中表现优异，为金融分析提供创新方法。
2023-12-22 cs.AI cs.CE stat.ME
Multivariate Nonnegative Trigonometric Sums Distributions for High-Dimensional Multivariate Circular Data
本文完善基于非负三角和的多变量循环分布，阐明其边际化、条件化与独立性运算，并提出面向高维数据的拟合优度检验和参数估计算法。
2023-10-02 stat.ME
