A mixture autoregressive model based on Student's $t$-distribution
提出了一种新的基于学生$t$分布的混合自回归模型。我们的模型的一个关键特征是，组件模型的条件$t$ -分布是基于自回归的多元$t$ -分布作为其（低维）平稳分布。具有这种平稳分布的自回归存在并不是立即的。我们的公式意味着每个组件模型的条件均值是过去的观测值的线性函数，条件方差也是时变的。与以前的混合自回归模型相比，我们的模型可能因此在数据表现出相当强的条件异方差性的应用中是有用的。我们的配方也有理论上的优势，平稳性和遍历性的条件总是满足，这些属性是更简单的建立比常见的非线性自回归模型。基于标准普尔500指数高频数据的已实现核序列的实证结果表明，该模型具有较好的波动性预测效果。
2018-05-10 econ.EM math.ST stat.ME
Quantifying the economic response to COVID-19 mitigations and death rates via forecasting Purchasing Managers' Indices using Generalised Network Autoregressive models with exogenous variables
了解经济现状、它们如何应对COVID-19缓解措施和指标以及它们的未来可能是非常重要的。我们使用最近开发的广义网络自回归（GNAR）模型，使用贸易决定的网络，为一些国家的采购经理人指数建模和预测。我们使用连接国家的网络，其中连接本身或其权重由国家之间的出口贸易程度决定。我们扩展了这些模型，以包括节点特定的时间序列外生变量（GNARX模型），并使用该模型将COVID-19缓解严格指数和COVID-19死亡率纳入我们的分析。高度简约的GNAR模型在均方预测误差方面大大优于向量自回归模型，我们的GNARX模型本身也优于GNAR模型。进一步的混合频率模型预测了英国经济将在多大程度上受到更严厉、更弱或不干预的影响。
2021-07-14 stat.AP stat.ME
Score Permutation Based Finite Sample Inference for Generalized AutoRegressive Conditional Heteroskedasticity (GARCH) Models
Institute for Computer Science and Control (SZTAKI)（计算机科学与控制研究所（SZTAKI））；Hungarian Academy of Sciences (MTA)（匈牙利科学院（MTA））
（条件）异方差的标准模型，即，广义自回归条件异方差（GARCH）模型是指过程的方差随时间变化的现象，它在经济学和金融学中具有重要意义。GML模型通常由准极大似然（QML）方法估计，该方法在温和的统计假设下工作。在这里，我们提出了一个有限样本的方法，称为ScoPe，构建分布免费的置信区域周围的QML估计，有确切的覆盖概率，尽管没有额外的假设矩。ScoPe的灵感来自于最近开发的符号扰动和（SPS）方法，但不能应用于Gynecology的情况。ScoPe的工作原理是使用随机排列的残差扰动得分函数。这产生了导致精确置信区域的替代样本。模拟和股票市场的数据上的实验也提出了，和Scope相比，渐近理论和自助方法。
2018-07-23 cs.LG econ.EM math.DS
Chaos in Fractionally Integrated Generalized Autoregressive Conditional Heteroskedastic Processes
分数积分广义自回归条件异方差（FIG. 1）是在金融时间序列建模中出现的。图1基本上由非线性随机差分方程组${u_t}$ = ${z_t}$ $(1-\sum\limits_{j=1}^q β_j L^j)σ_{t}^2 = ω+(1-\sum\limits_{j=1}^q β_j L^j - (\sum\limits_{k=1}^p φ_k L^k) (1-L)^d) u_t^2$控制，其中$ω\in$ R和$β_j\in$ R是常数参数，$\{u_t\}_{{t\in}^+}$和$\{σ_t\}_{{t\in}^+}$是分别表示图1（p，d，q）和随机波动率的离散时间实值随机过程。此外，L是后向移位算子，即$L^d u_t \equiv u_{t-d}$（d是分数差分参数0 $<$ d $<$ 1）。在这项工作中，我们已经研究了FIGUAL（p，d，q）过程的混沌性质，通过计算互信息，相关维数，FNN（假最近邻），李雅普诺夫指数，并为上述随机差分方程和金融时间序列。我们观察到最大李雅普诺夫指数为负，因此，可以认为FIGG（p，d，q）不是确定性混沌过程。
2016-02-12 math.DS q-fin.MF q-fin.ST
A Unified Frequency Domain Cross-Validatory Approach to HAC Standard Error Estimation
提出统一的频域交叉验证（FDCV）方法用于估计HAC标准误，支持在参数化与非参数化谱估计器间进行模型选择，并提供高效计算技术，模拟表明其优于现有HAC估计器。
2023-06-30 econ.EM stat.ME
Regularized Estimation of High-Dimensional Vector AutoRegressions with Weakly Dependent Innovations
在理解高维模型中稀疏正则化过程的性质方面已经有了相当大的进展。在时间序列中，它主要限于高斯自回归或混合序列。本文研究了具有重尾、弱相依新息的弱稀疏向量自回归模型的LASSO估计的预言性质，几乎没有条件异方差的假设。与现有文献相比，我们的新息过程在中心条件协方差阵上满足一个$L^1$混合型条件。该条件覆盖作为特定示例的$L^1$ -NED序列和强（$α$ -）混合序列。
2021-06-12 econ.EM math.ST stat.ML
Spatial Correlation in Weather Forecast Accuracy: A Functional Time Series Approach
一个功能时间序列的方法，提出了调查的空间相关性在美国各地的111个城市的每日最高温度预报误差的空间相关性的建模是最富有成效的较长的预测视野，并成为不太相关的预测视野缩小到零。对于未来6天的预测，函数方法揭示了可解释的区域空间效应，并捕捉到内陆城市与沿海城市相比观察到的较高方差，以及在山区和中西部各州观察到的较高方差。函数方法也自然地处理缺失数据，通过建模的连续，并可以有效地实现利用B样条基引起的稀疏性。数据的时间依赖性通过函数基系数的时间依赖性来建模。独立的一阶自回归广义自回归条件异方差[AR（1）+GARCH（1，1）]和Student-t新息的工作以及捕捉的基础系数随时间的持续性和季节性异方差反映较高的方差在冬季。通过利用基系数的自相关性，函数时间序列方法还产生了一种用于改进天气预报和不确定性量化的方法。由此产生的方法纠正了天气预报中的偏差，同时减少了误差方差。
2021-11-22 stat.ME
Beta regression for time series analysis of bounded data, with application to Canada Google${}^\circledR$ Flu Trends
在实际应用中经常会遇到由比率或比例组成的有界时间序列。本文提出了一种实用的方法来分析有界时间序列，通过贝塔回归模型。该方法允许直接解释的回归参数的原始响应规模，同时适当占异方差典型的有界变量。序列相关性由高斯Copula建模，相关矩阵对应于平稳的自回归和移动平均过程。它表明，推理，预测和控制可以直接进行，与自回归和移动平均模型的标准分析的微小修改。该方法的动机是应用于Google ${}^\circledR$ Flu Trends项目估计的流感样疾病发病率。
2014-04-14 stat.AP
On Robust Inference in Time Series Regression
针对时间序列回归中OLS-HAC推断的四个主要缺陷，提出简单易行的DURBIN动态回归程序，通过模拟验证其能有效避免这些问题，提升推断稳健性。
2024-05-27 econ.EM stat.AP
Forecasting Short-term load using Econometrics time series model with T-student Distribution
随着现代电力系统的显著进步，机组组合规划和电力调度成为研究者关注的两大问题。短期负荷预测在电力系统的规划和调度中起着重要的作用。近年来，人们在短期负荷预测方面做了大量的工作。具有用于预测负荷的准确模型可以有利于优化电源和保护能量。为了提高负荷预测的准确性，采用了人工智能、统计模型等多种模型。在统计模型中，时间序列模型表现出了很好的性能。本文将自回归积分滑动平均（SARIMA）-广义自回归条件异方差（GARCH）模型作为描述具有T-学生分布的时间序列的条件均值和波动性的有力工具，用于短期电力负荷预测。并与正态分布的ARIMA模型进行了比较。最后，所提出的方法的有效性进行了验证，应用实际的电力负荷数据从得克萨斯州电力可靠性委员会（ERCOT）。关键词：电力负荷，预测，计量经济学时间序列预测，SARIMA
2020-09-28 cs.SY eess.SY q-fin.ST
Geometric Infinitely Divisible Autoregressive Models
本文研究了几何无穷可分随机变量及其性质，提出了具有 gid 边缘分布的 AR 模型，并将其推广至 k 阶，同时给出了 AR(1) 过程的参数估计方法。
2023-09-06 math.ST stat.TH
Beta Regression with Autoregressive Errors for Interrupted Time Series Analysis of Proportion and Rate Outcomes: A Simulation Study
University of California, San Francisco（旧金山加利福尼亚大学）
研究针对比例和速率结果的中断时间序列分析，介绍了betark方法，它是具有AR(k)误差的贝塔回归的联合条件最大似然估计器，通过递归替换实现。蒙特卡罗研究表明其在多数情况校准更好，能直接考虑自相关，相比其他方法有优势，但在特定条件下自身I型错误仍较高。
2026-10-28 stat.ME
Artificial neural networks and time series of counts: A class of nonlinear INGARCH models
本文将INGARCH模型与人工神经网络响应函数结合，提出一类非线性INGARCH模型，并证明其在信息损失指标上优于现有退化竞争模型。
2023-04-03 econ.EM stat.ME stat.ML
Time Series Analysis of Rankings: A GARCH-Type Approach
本文提出一类受GARCH启发的时变排名模型，用Mallows分布刻画排名动态并引入自回归与反馈成分，建立平稳性与遍历性理论，并通过蒙特卡洛EM算法处理缺失数据，最后应用于职业网球运动员周排名分析。
2025-02-07 stat.CO stat.ME stat.ML
Generalized network autoregressive modelling of longitudinal networks with application to presidential elections in the USA
本文提出带交互项的 community-α GNAR 模型并给出有限样本误差界，用于分析高维纵向网络，且通过1976–2020年美国各州选举数据揭示任期、2016年变化及红蓝州差异。
2025-03-13 math.ST stat.AP stat.ME
Continuous-time Markov-switching GARCH Process with Robust and Efficient State Path and Volatility Estimation
提出了一种连续时间Markov切换广义自回归条件异方差（COMS-GARCH）过程，用于处理具有多个波动状态的不规则间隔时间序列.我们采用贝叶斯框架中的Gibbs抽样器来估计COMS-GARCH模型参数、潜在状态路径和波动率。为了提高获得状态路径和波动率的最大后验估计的推理鲁棒性和计算效率，我们提出了一种多路径采样方案，并将伯努利噪声注入的计算算法。我们通过集成学习的概念和TS中目标函数对外部扰动的低敏感性，为改进的伯努利噪声注入的稳定性和鲁棒性提供了理论依据。我们应用建议的COMS-Gestival过程和计算程序模拟TS，一个真正的货币汇率TS，和一个真正的血液量幅度TS。实证结果表明，COMS-Gesthem过程和计算程序能够预测波动机制和波动在TS具有令人满意的精度。
2020-12-12 stat.ME
Softplus and Neural Architectures for Enhanced Negative Binomial INGARCH Modeling
本研究提出sp NB-INGARCH模型并确立其平稳性与参数估计方法，进一步提出适配中度非平稳计数时间序列的neu-NB-INGARCH模型，经仿真与医疗数据验证有效，丰富了该领域理论与应用。
2025-01-18 stat.CO stat.ME
A sparse Bayesian hierarchical vector autoregressive model for microbial dynamics in a wastewater treatment plant
污水处理厂（WWTP）的正常运行依赖于在众多竞争微生物之间保持微妙的平衡。详细了解其中复杂的相互作用网络不仅对最大限度地提高当前的运营效率至关重要，而且对有效设计新的处理技术也至关重要。宏基因组学通过分析存在的微生物DNA序列来深入了解这些动态系统。通过序列聚类推断独特的分类群，形成操作分类单位（OTU），并从相应的序列计数获得每分类群丰度估计值。本研究中的数据包括来自污水处理厂的活性污泥（AS）池的每周OTU计数。为了对OTU动态进行建模，我们开发了贝叶斯分层向量自回归模型，该模型是常用的广义Lotka-Volterra（gLV）模型的线性近似。为了解决数据的高维性和稀疏性，首先使用基于季节性相位的方法将它们聚类为12个“箱”。假设自回归系数矩阵是稀疏的，因此我们在选择正则化马蹄先验用于生物应用之前，通过分析模拟数据集来探索不同的收缩先验。我们发现，氨和化学需氧量有积极的关系与几个箱子和pH值有积极的关系与一个箱子。这些结果得到了生物学文献结果的支持。我们确定了几种负面的相互作用，这表明不同箱中的OTU可能会竞争资源，并且这些关系是复杂的。我们还确定了两个积极的互动。虽然比gLV模型简单，但我们的向量自回归为污水处理厂的微生物动力学提供了有价值的见解。
2021-07-01 q-bio.QM stat.AP stat.ME
Forecasting influenza hospital admissions within English sub-regions using hierarchical generalised additive models
背景资料：季节性流感在冬季给医疗保健服务造成了巨大负担，而这些系统已经处于压力之下。2019冠状病毒病大流行期间的政策抑制了季节性流感的传播，使得潜在疫情复苏的时间和规模难以预测。研究方法：我们开发了一个分层广义加性模型（GAM），用于短期预测英格兰次区域流感病毒检测呈阳性的住院人数。该模型采用了多级结构的时空样条，每周的季节性和空间相关性。使用多个性能指标，包括区间分数，覆盖率，偏差和绝对误差中位数，评估2022/23季节波的预测性能。业绩是衡量对自回归综合移动平均（ARIMA）时间序列模型。结果如下：GAM方法在高和低级别地理区域的评分规则以及包括转折点在内的疫情波不同阶段的表现优于ARIMA模型。GAM的性能与14天的预测范围是类似的误差ARIMA在7天。GAM的性能被发现是最敏感的平滑函数，衡量国家流行趋势的灵活性。释义：本研究介绍了一种新的方法，短期预测住院与流感使用层次，空间和时间的组成部分。该模型是数据驱动的，可使用预测时实际可用的信息进行部署，解决了流行病预测方法的关键局限性。该模型在整个冬季被英国卫生安全局和英格兰国家卫生服务局用于医疗保健运营规划。
2023-02-23 q-bio.PE stat.AP
A novel decomposed-ensemble time series forecasting framework: capturing underlying volatility information
University of Science and Technology of China（中国科学技术大学）
本文提出一种结合Variational Mode Decomposition分解与GARCH波动率提取的分解-集成时间序列预测框架，利用神经网络融合数值与波动率信息，显著降低了MSE、RMSE和MAPE。
2023-11-29 cs.LG stat.ME
New tools for network time series with an application to COVID-19 hospitalisations
本文基于GNAR框架提出网络自相关函数、偏网络自相关函数及Corbit图和Wagner图等新工具，用于网络时间序列的可视化、模型选择与节点影响力分析，并在英格兰和威尔士140个NHS信托机构的COVID-19住院数据上验证了方法的有效性和预测优势。
2023-12-01 stat.AP stat.ME
Modelling clusters in network time series with an application to presidential elections in the USA
本文提出 community-α GNAR 模型，利用先验知识或外生变量建模网络时间序列中的跨社区动态交互，并将其用于分析美国总统选举中红州、蓝州与摇摆州的全局及社区效应。
2024-07-05 stat.AP stat.ME
COVID-19 incidence in the Republic of Ireland: A case study for network-based time series models
本文评估广义网络自回归（GNAR）模型在爱尔兰26县两阶段COVID-19预测中的表现，发现其优于忽略网络结构的ARIMA模型，且网络密度相似时对架构具鲁棒性。
2024-06-05 stat.AP
Improved Forecasting for Multivariate Time Series using GNAR models with General Inverse Distance Weights
Imperial College London（帝国理工学院）；Curtin University（科廷大学）；Terra Motion Limited（Terra Motion有限公司）
该研究针对多变量时间序列预测问题，提出带广义逆距离权重的GNAR模型（GNARID），引入可调指数参数优化距离惩罚，经理论验证和模拟、真实数据集实验，证实其预测性能优于传统GNAR模型。
2026-10-15 stat.ME
GDP nowcasting with large-scale inter-industry payment data in real time -- A network approach
本研究提出扩展广义网络自回归（GNAR-ex）模型，利用英国行业间实时支付网络数据开展GDP现时预测，经多版GDP数据优化后优于基准自回归模型，为替代调查法的及时GDP估算提供新路径。
2024-11-04 stat.AP
Exponential Spatiotemporal GARCH Model with Asymmetric Volatility Spillovers
本文提出时空E-GARCH模型，将非对称波动率溢出纳入时空GARCH框架并推广时间序列E-GARCH至空间网络设定，推导平稳性与矩条件，提出QML估计并通过模拟和股票市场金融网络实证验证其有效性。
2025-11-07 stat.AP
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
A new implementation of Network GARCH Model
本文提出GNGARCH模型，将GARCH动态嵌入GNAR框架以捕捉金融资产自身及网络邻接资产的波动率溢出，并通过模拟和75只活跃美股验证其估计与预测能力。
2025-10-21 stat.ME
Interval Forecasts for Gas Prices in the Face of Structural Breaks -- Statistical Models vs. Neural Networks
Institute of Energy Engineering and Energy Economics, Ulm University of Applied Sciences（乌尔姆应用科学大学能源工程与能源经济学院）；Faculty of Statistics, TU Dortmund University（多特蒙德工业大学统计学院）
本研究对比了神经网络与统计模型在天然气价格结构性断层下的区间预测能力，发现简单模型在冲击期间的预测区间覆盖率表现最佳。
2024-07-23 cs.LG
Conditional Independence Testing in Time Series
University College London（伦敦大学学院）；University of Cambridge（剑桥大学）
针对时间序列中格兰杰因果检验，提出无模型的条件独立性检验方法GTCM，通过非线性回归与残差协方差统计量，在弱假设下控制错误率并利用全数据估计。
2026-09-18 math.ST stat.ME stat.TH
Bayesian Neural Networks with Monte Carlo Dropout for Probabilistic Electricity Price Forecasting
Faculty of Mathematics and Economics（数学与经济学学院）；Ulm University（乌尔姆大学）；Department of Mathematics, Natural and Economic Sciences（数学、自然科学与经济科学系）；Ulm University of Applied Sciences（乌尔姆应用科学大学）
本文提出利用贝叶斯神经网络与蒙特卡罗滴落进行概率电价预测，通过日间模式建模优于传统基准模型。
2025-11-12 cs.LG
Forecasting High-Dimensional Covariance Matrices of Asset Returns with Hybrid GARCH-LSTMs
Université Paris-Dauphine - PSL（巴黎第九大学（巴黎多菲纳大学）- PSL）；Sorbonne Université（索邦大学）
一些学者研究了混合模型的能力，混合单变量广义自回归条件异方差（GARCH）模型和神经网络提供更好的波动性预测比纯粹的计量经济模型。尽管提出了非常有前途的结果，这种模型的推广到多变量的情况下，还有待研究。此外，很少有论文研究神经网络预测资产收益协方差矩阵的能力，并且所有论文都使用了相当少量的资产，因此没有解决所谓的维数灾难。本文的目的是研究混合模型，混合Gestival过程和神经网络，预测资产收益率的协方差矩阵的能力。为此，我们提出了一个新的模型，基于多变量GARCH分解波动性和相关性预测。波动率在这里使用混合神经网络预测，而相关性遵循传统的计量经济学过程。在最小方差投资组合框架下实现模型后，我们的结果如下。首先，添加Gestival参数作为输入对所提出的模型是有益的。其次，使用one-hot-encoding来帮助神经网络区分每只股票，提高了性能。第三，提出的新模型是非常有前途的，因为它不仅优于同等权重的投资组合，而且还通过一个显着的利润率的计量经济学对应，使用单变量GARCH预测波动率。
2021-08-25 cs.LG q-fin.ST
Dynamic graph neural networks for enhanced volatility prediction in financial markets
Cardiff University（卡迪夫大学）；Albany State University（奥尔巴尼州立大学）
本文提出时序图注意力网络（Temporal GAT），将全球金融市场建模为动态图，结合GCN与GAT捕捉波动率溢出的时序和结构动态，在八个主要指数15年数据上优于GARCH及其他机器学习方法。
2024-10-22 cs.LG q-fin.MF q-fin.ST
Variational Heteroscedastic Volatility Model
University College London（伦敦大学学院）；Humboldt Universität zu Berlin（柏林洪堡大学）
我们提出了变分异方差波动率模型（VHVM）-一个端到端的神经网络架构，能够建模异方差行为的多元金融时间序列。VHVM利用深度学习几个领域的最新进展，即序列建模和表示学习，来模拟不同资产回报之间的复杂时间动态。VHVM的核心包括一个用于捕获资产之间关系的变分自动编码器，以及一个用于对这些依赖关系的时间演化进行建模的递归神经网络。VHVM的输出是协方差矩阵形式的时变条件波动率。我们证明了VHVM对现有方法的有效性，如广义自回归条件异方差（GARCH）和随机波动率（SV）模型在广泛的多变量外币（FX）数据集。
2022-04-11 cs.AI cs.LG q-fin.ST
Hedging Properties of Algorithmic Investment Strategies using Long Short-Term Memory and Time Series models for Equity Indices
Krakow University of Economics（克拉科夫经济大学）；University of Warsaw（华沙大学）
本文提出在集成算法投资策略层面进行分散化对冲，利用LSTM、ARIMA-GARCH、动量和逆向模型生成信号，发现LSTM表现最佳且比特币AIS最能分散S&P 500 AIS风险，小时级LSTM优于日度模型。
2023-09-27 cs.AI cs.LG q-fin.CP
