Heavy tailed time series with extremal independence
我们考虑严格平稳重尾时间序列,其有限维指数测度集中在轴上,因此其极值性质不能用经典的多元正则变分来处理,而经典的多元正则变分适用于具有极值依赖的时间序列。通过引入一系列尺度函数和条件尺度指数,我们恢复了具有极值独立性的时间序列极限行为的相关信息。这两个量提供了更多的信息联合极端比广泛使用的尾部相关系数。我们计算了各种模型的标度函数和标度指数,包括马尔可夫链,指数自回归模型,重尾新息的随机波动率或波动率。
2014-10-09 math.ST q-fin.RM stat.TH
Non-parametric estimation of conditional quantiles for time series with heavy tails
提出修正的加权Nadaraya-Watson估计量用于重尾时间序列条件分位数,建立渐近正态性,并通过模拟和实际数据验证性能。
2024-07-22 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
Superstatistics with cut-off tails for financial time series
研究金融时间序列是否遵循厚尾分布。此外,经验概率分布有时在其尾部显示截断形状。为了描述这个程式化的事实,我们将截断效应纳入超级统计。证明了所提出的随机模型能够描述真实金融时间序列的统计特性。另外,我们给出了一个关于超统计量的期权定价公式。
2018-09-13 math.ST physics.data-an q-fin.ST
On the Estimation of the Heavy-Tail Exponent in Time Series using the Max-Spectrum
本文讨论的问题,估计分布的尾部指数与沉重的,帕累托型的尾巴依赖的数据,这是金融,保险,环境监测和电信业务分析领域的兴趣。提出了一种基于块极大值的极大自相似缩放行为的新方法。该方法利用了越来越缺乏依赖性的最大值在大尺寸块,这证明是有用的时间序列数据。我们建立了一个大类的m-依赖时间序列的最大谱估计的一致性和渐近正态性,在制度的中间块最大值。在大块极大值的制度,我们证明了分布的一致性的估计范围广泛的时间序列模型,包括线性过程。最大谱估计器是一种鲁棒且计算效率高的工具,它为尾指数的估计提供了一种新的时间尺度视角。它的性能说明了在合成和真实的数据集。
2010-05-24 math.ST stat.ME stat.TH
Conditional Extreme Value Estimation for Dependent Time Series
Department of Mathematical Sciences, University of Copenhagen(哥本哈根大学数学科学系)
本文提出了一种基于条件尾过程的依赖时间序列极值估计方法,通过α-混合和β-混合条件分析,应用于石油工业极端事件建模,揭示了不同条件值下的尾部行为差异。
2026-02-03 math.ST stat.TH
A Bernstein-type Inequality for High Dimensional Linear Processes with Applications to Robust Estimation of Time Series Regressions
针对超高维、肥尾且序列相关的时间序列数据,本文提出新的 Bernstein 型不等式,并用于稳健时间序列回归和肥尾 VAR 估计,在温和条件下允许维数随样本量指数增长并保持一致性。
2023-04-19 math.ST stat.TH
Central limit theory for serial tail dependence estimators in heavy-tailed long memory linear time series
University of Stuttgart(斯图加特大学);Stuttgart Center for Simulation Science (SC SimTech), University of Stuttgart(斯图加特大学斯图加特模拟科学中心);Univ Angers, CNRS, LAREMA, SFR MATHSTIC(昂热大学、法国国家科学研究中心、LAREMA、MATHSTIC研究联盟)
针对重尾长记忆线性时间序列的序列尾部相依估计量,提出两种新型多元归约原理,证明其中心极限定理,发现长记忆设定下与短程相依结果存在显著差异,解决了经验极值图的相关理论问题。
2026-08-12 math.PR math.ST stat.TH
From sparse to dense functional time series: phase transitions of detecting structural breaks and beyond
本文提出基于B样条平滑CUMSUM过程的函数型时间序列结构突变检测方法,建立稀疏到密集相变理论、断点收敛速率及跳跃幅度推断,并通过数值实验和电价、温度数据验证其有效性。
2024-12-30 math.ST stat.ME stat.TH
Sparse Tucker Decomposition and Graph Regularization for High-Dimensional Time Series Forecasting
Central China Normal University(华中师范大学);Hong Kong Baptist University(香港浸会大学)
本文提出了一种结合稀疏Tucker分解与图正则化的高维时间序列预测方法,通过减少参数数量和提高估计精度,实现了更高效的模型性能。
2026-01-01 math.ST stat.ML stat.TH
Self-normalized partial sums of heavy-tailed time series
研究了无穷方差$\mathbb{R}^d$值正则变平稳序列样本的和、极大值和$\ell^p$型模的联合极限行为。因此,我们可以根据混合特征函数和拉普拉斯变换来确定和与最大值之比、学生化和以及其他自归一化量的分布极限。这些变换使人们能够计算的极限时刻,并表征的iid和固定的情况下的指数,描述作用于依赖序列的泛函极值聚类的影响之间的差异。
2023-03-30 math.PR math.ST stat.TH
On the optimal prediction of extreme events in heavy-tailed time series with applications to solar flare forecasting
该研究建立了重尾等时间序列极端事件最优预测的Neyman-Pearson型理论框架,证明了经验预测器的渐近最优性并给出重尾模型的预测精度界,将方法应用于太阳软X射线通量序列,验证了长记忆及FARIMA模型在耀斑预报中的效果与局限。
2025-01-16 math.ST stat.AP stat.ME
Sparse-GEV: Sparse Latent Space Model for Multivariate Extreme Value Time Serie Modeling
University of Southern California(南加州大学);IBM T.J. Watson Research Center(IBM T.J. Watson研究中心)
在时间序列模型的许多应用中,如气候分析、社交媒体分析等,我们往往对极端事件感兴趣,如热浪、阵风、突发话题等。这些时间序列数据通常呈现重尾分布而不是高斯分布。由于对数据分布的假设差异很大,而且缺乏足够的极端事件过去数据,这对现有方法构成了巨大挑战。在本文中,我们提出了Sparse-GEV模型,一个潜在的状态模型的基础上的极值建模理论,自动学习稀疏的时间依赖性,并作出预测。我们的模型是理论上有意义的,因为它是第一个模型,学习稀疏的时间依赖性之间的多元极值时间序列。我们证明了我们的算法的性能优越的国家的最先进的方法,包括格兰杰因果关系,copula方法和转移熵,一个合成数据集,一个气候数据集和两个Twitter数据集。
2012-06-18 cs.LG stat.AP stat.ME
Detecting Nonlinear Causality in Multivariate Time Series with Sparse Additive Models
提出了一种利用稀疏加性模型(SpAM)检测多维离散时间序列中非线性因果关系的非参数方法。我们发现,当输入到SpAM是一个$β$混合时间序列,该模型可以拟合的线性组合的一组B-样条基,然后解决一组套索型优化问题的非凸正则化的每个未知函数。理论上,我们刻画了所提出的稀疏估计在函数估计和模型选择中的预言统计性质。数值上,我们提出了一个有效的路径迭代收缩阈值算法(PISTA),驯服的非凸性,并保证线性收敛到所需的稀疏估计的高概率。
2018-04-26 cs.LG stat.ME stat.ML
Sparsified-Learning for High-Dimensional Heavy-Tailed Locally Stationary Time Series, Concentration and Oracle Inequalities
Huaiyin Institute of Technology(淮阴工学院)
本文提出了一种适用于高维厚尾局部平稳时间序列的稀疏学习框架,结合加法建模与核平滑,推导了集中性不等式并建立了预测误差界,探讨了不同稀疏结构下的收敛率。
2026-02-08 cs.LG math.ST stat.ML
Detection of a Sparse Change in High-Dimensional Time Series
针对高维时间序列的稀疏变化检测问题,提出基于稀疏似然的得分与变点检测算法,证明其误差概率上界收敛于0,并通过模拟和S&P500数据集验证了有效性。
2025-07-29 stat.ME
Sparse Tree-Based Aggregation for Time Series Regressions
Maastricht University(马斯特里赫特大学)
提出StarTime方法,利用时间树分层排列滞后项,通过凸惩罚实现系数聚合与稀疏选择,降低高维时间序列回归的维度,提高估计精度。
2026-07-02 econ.EM stat.ME
Spliced Binned-Pareto Distribution for Robust Modeling of Heavy-tailed Time Series
AWS ProServe(亚马逊云科技专业服务);Amazon Research(亚马逊研究院)
本文提出了一种新的方法,在非平稳的情况下,鲁棒和准确地建模具有重尾噪声的时间序列。在许多实际应用中,时间序列具有严重影响经典预测模型性能的重尾噪声;特别地,精确地建模极端事件的分布对于执行精确的时间序列异常检测至关重要。我们提出了一个拼接Binned-Pareto分布,它既对极端观测具有鲁棒性,又允许对全分布进行精确建模。我们的方法允许捕获的时间依赖性的高阶矩的分布,如尾部沉重。我们比较了我们的方法的尾部估计的鲁棒性和准确性,以其他国家的最先进的方法在Twitter上提到计数时间序列。
2022-07-29 cs.LG stat.CO stat.ML
Sparse causality network retrieval from short time series
我们研究如何有效地一个已知的基本稀疏因果结构的模拟多元线性过程可以检索到的时间序列的分析长度短。因果关系从条件转移熵中量化,并且通过仅保留统计验证的贡献来构建网络。我们比较了三种方法的结果:两种常用的正则化方法,Glasso和脊,和一个新引入的技术,LoGo,基于信息过滤网络和图形建模的组合。对于这三种方法,我们探索区域的时间序列长度和模型参数,其中一个显着的部分真正的因果关系链接检索。我们的结论是,当时间序列很短,其长度短于变量的数量,稀疏模型更适合于发现真正的因果关系与Logo检索真正的因果关系网络更准确地比Glasso和岭。
2017-10-05 stat.ME
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
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
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
STanHop: Sparse Tandem Hopfield Model for Memory-Enhanced Time Series Prediction
Northwestern University(西北大学);National Taiwan University(国立台湾大学)
STanHop-Net提出稀疏串联Hopfield模型,通过分层堆叠实现多变量时间序列预测,结合外部记忆模块增强记忆能力,在合成和真实数据上验证了有效性。
2023-12-28 cs.AI cs.CV cs.LG
Sparsely Observed Functional Time Series: Estimation and Prediction
功能性时间序列分析,无论是基于时域还是频域方法,传统上都是在假设平稳的组成系列曲线的完全观察的假设下进行的。然而,正如独立函数数据的情况一样,很可能发生的是,分析师可用的数据不是实际的曲线序列,而是每条曲线的相对较少和有噪声的测量,可能在每条曲线的域中的不同位置。在这种稀疏采样制度下,既不建立时间序列的动态估计,也没有相应的理论分析将适用。本文的主题是解决的问题估计的动态和恢复的潜在过程的光滑曲线在稀疏政权。假设平滑的潜曲线,我们构建了一个一致的非参数估计的系列的谱密度算子,并使用它开发一个频域恢复方法,预测潜曲线在给定的时间,通过借用强度(估计)的动态相关性在整个时间的系列。为了进一步从噪声点样本中预测潜在曲线,该方法填补了序列中的空白(曲线没有采样),对数据进行降噪,并作为预测的基础。提供相应的置信带的手段也进行了研究。有趣的是,模拟研究表明,在平滑的情况下,较长时间段的稀疏观测可能比较短时间段的密集观测提供更好的性能。该方法进一步说明了应用程序的环境数据集上的晴天大气电,这自然会导致一个稀疏的功能时间序列。
2019-12-09 stat.ME
Sparse Principal Component Analysis for High Dimensional Vector Autoregressive Models
本文在双渐近框架下研究了高维向量自回归时间序列的稀疏主成分分析,该框架允许维数$d$随序列长度$T$变化.我们将时间序列的转移矩阵作为一个讨厌的参数,直接将稀疏主成分分析应用于多变量时间序列,就好像数据是独立的。我们提供了明确的非渐近收敛率领先的特征向量估计,并将这一结果推广到主子空间估计。我们的分析表明,谱范数的过渡矩阵起着至关重要的作用,在确定最终的利率。我们还刻画了稀疏主成分分析达到最优参数率的充分条件。我们的理论结果得到了充分的数值研究的支持。
2013-06-30 stat.ML
Estimation of time-delayed mutual information and bias for irregularly and sparsely sampled time-series
提出了一种基于时滞互信息经验偏差估计的时间序列相关性估计方法。特别是,时间延迟的互信息的偏差往往是等价的两个分布的点之间的互信息从同一个系统分离的无限时间。因此,直观地说,偏差的估计被简化为由大的时间间隔分隔的数据点的分布之间的互信息的估计。所提出的偏差估计技术的工作洛伦兹方程数据和葡萄糖时间序列数据的三个病人从哥伦比亚大学医学中心的数据库。
2011-10-07 nlin.CD physics.data-an q-bio.QM
Sparse-Group Log-Sum Penalized Graphical Model Learning For Time Series
研究了高维平稳多元高斯时间序列的条件独立图的推断问题。在文献中已经考虑了基于稀疏群套索的频域公式的问题,其目标是估计数据的稀疏逆功率谱密度(PSD)。然后从估计的逆PSD推断CIG。在本文中,我们研究使用稀疏群对数和惩罚(LSP),而不是稀疏群套索惩罚。提出了一种求解非凸问题迭代优化的交替方向乘子法。我们提供了充分条件的Frobenius范数的逆PSD估计的真值的局部收敛。这个结果也产生了收敛速度。我们说明了我们的方法,利用合成和真实数据的数值例子。
2022-04-29 eess.SP stat.ML
A Survey of Estimation Methods for Sparse High-dimensional Time Series Models
高维时间序列数据集在生物科学和社会科学的许多领域变得越来越普遍。一些重要的应用包括使用时程基因表达数据重建基因调控网络,从神经成像数据进行大脑连接分析,对大量宏观经济指标进行结构分析,以及研究金融公司之间的联系,以实现更有力的金融监管。这些应用程序导致了新的兴趣,在开发原则的统计方法和理论,估计大时间序列模型,只有相对较少的时间依赖的样本。稀疏建模方法由于其可解释性和预测准确性在过去二十年中在统计学和机器学习中得到了普及。虽然有丰富的文献中的几个稀疏诱导方法时,样本是独立的,这些方法估计时间序列模型的统计特性的研究仍在进行中。我们调查了这一领域的一些最新进展,侧重于经验上成功的套索为基础的估计方法的两个典型的多变量时间序列模型-随机回归和向量自回归。我们讨论了在高维时间序列分析中出现的关键技术挑战,并概述了几个有趣的研究方向。
2021-07-30 stat.ME
Tail-robust factor modelling of vector and tensor time series in high dimensions
针对重尾高维向量与张量时间序列因子建模问题,提出结合张量分解两步法与数据截断的鲁棒估计方法,推导其理论性质,给出因子数确定准则,经模拟和宏观数据验证性能良好。
2025-09-05 stat.ME
On Sparse High-Dimensional Graphical Model Learning For Dependent Time Series
Auburn University(奥本大学)
本文针对高维平稳高斯时间序列,提出基于频域稀疏组 lasso 和 ADMM 的条件独立图学习方法,并给出联合所有频率的收敛条件与速率。
2024-06-04 cs.LG eess.SP stat.ML
Tail-robust estimation of factor-adjusted vector autoregressive models for high-dimensional time series
本文研究了通过因子调整向量自回归模型对高维厚尾时间序列数据建模问题,结合少量因子捕捉变量共动性和稀疏VAR模型捕捉剩余互联性,并通过数据截断和两阶段估计法处理厚尾问题,推导出估计率并验证其在模拟数据和宏观经济指标预测中的有效性。
2026-04-24 stat.ME
Functional Lagged Regression with Sparse Noisy Observations
函数(滞后)时间序列回归模型涉及标量响应时间序列对由一系列随机函数组成的回归量时间序列的回归。在实践中,潜在的回归曲线时间序列并不总是直接可访问的,而是仅在离散测量位置处观察(采样)的潜在过程。在本文中,我们考虑了所谓的稀疏观测场景,其中只有相对较少的测量位置已被观察到,每个曲线可能不同。测量结果可能进一步受到附加测量误差的污染。被认为是一种谱的方法来估计模型的动态。利用核平滑方法从稀疏观测值中估计回归量时间序列的谱密度以及回归量与响应时间序列之间的互谱密度。滞后回归模型的脉冲响应回归系数然后通过岭回归(Tikhonov正则化)或PCA回归(谱截断)来估计。然后通过预测恢复潜在功能时间序列,条件是所有观察到的观察数据。我们的方法的性能和实施说明通过模拟研究和气象数据的分析。
2020-03-31 stat.ME
Sparse Deep Learning for Time Series Data: Theory and Applications
Purdue University(普渡大学);University of Pennsylvania(宾夕法尼亚大学)
针对现有稀疏深度学习多聚焦独立同分布数据、对依赖数据研究不足的问题,本文研究了时间序列等依赖数据下的稀疏深度学习理论,证明稀疏RNN可一致估计且预测渐近正态,在不确定性量化、自回归阶数识别和模型压缩上均优于现有方法,具备多领域应用价值。
2023-10-05 cs.AI cs.LG stat.ML
Sparse Linear Dynamical System with Its Application in Multivariate Clinical Time Series
University of Pittsburgh(匹兹堡大学)
线性动态系统(LDS)是一个优雅的建模和学习多变量时间序列的数学框架。然而,一般来说,很难设置其隐藏状态空间的维数。少量的隐藏状态可能无法模拟时间序列的复杂性,而大量的隐藏状态可能导致过拟合。在本文中,我们研究的方法,施加一个$\ell_1$正则化的LDS模型的转移矩阵,以减轻选择最佳数量的隐藏状态的问题。我们将一个广义的梯度下降方法到最大后验概率(MAP)的框架,并使用期望最大化(EM)迭代实现稀疏的LDS模型的过渡矩阵。我们表明,我们的稀疏线性动态系统(SLDS)提高了预测性能相比,普通LDS的多变量临床时间序列数据集。
2013-12-03 cs.AI cs.LG stat.ML
Time Series Graphical Lasso and Sparse VAR Estimation
我们改进了Davis等人(2016)中的两阶段稀疏向量自回归(sVAR)方法,提出了一种替代的两阶段修改的sVAR方法,该方法依赖于时间序列图形套索来估计第一阶段的稀疏逆谱密度,第二阶段使用错误发现率(FDR)程序来细化AR系数矩阵的非零项。我们的方法具有避免谱密度矩阵求逆的优点,但必须处理具有复值项的埃尔米特矩阵的优化。它显着地提高了计算时间,在预测性能上有一点损失。我们研究了我们提出的方法的属性,并使用模拟和真实的宏观经济数据集比较这两种方法的性能。我们的仿真结果表明,所提出的修改或msVAR是一个首选的目标是学习AR系数矩阵的结构,而sVAR优于msVAR时,最终的任务是预测。
2021-07-04 stat.CO
Sparse Asymptotic PCA: Identifying Sparse Latent Factors Across Time Horizon in High-Dimensional Time Series
本文提出稀疏渐近主成分分析框架,在因子过程稀疏而非载荷稀疏的设定下,用截断幂法与顺序收缩估计高维时间序列的稀疏潜在因子,并应用于标普500数据识别九个风险因子。
2025-08-07 econ.EM q-fin.ST stat.ME
Transformed-Linear Models for Time Series Extremes
为了捕捉在上尾的时间序列的依赖性,我们开发了非负的定期变化的时间序列模型,类似于经典的非极端ARMA模型。而不是充分表征尾部依赖的时间序列,我们定义了弱尾平稳性的概念,使我们能够描述一个经常变化的时间序列通过尾部成对依赖函数(TPDF),这是一个衡量成对极值依赖。我们的状态之间的一致性要求的有限维集合的元素的定期变化的时间序列,并显示TPDF的值不依赖于正在考虑的尺寸。为了使我们的模型取非负值,我们使用了变换线性运算。我们证明了这些模型的存在性和平稳性,并发展了它们的性质,如模型TPDF的。此外,我们还证明了这类变换线性MA($\infty$)模型构成了一个内积空间。出于调查有利于野火蔓延的条件,我们适合模型每小时风速数据,并发现拟合的转换-线性模型产生更好的估计上尾量比传统的ARMA模型或比经典的线性定期变化的模型。
2021-10-25 stat.ME
Sparse Dynamic Distribution Decomposition: Efficient Integration of Trajectory and Snapshot Time Series Data
Relation Therapeutics(瑞信治疗公司)
动态分布分解(DDD)是由Taylor-King等人提出的。(PLOS Comp Biol,2020)作为动态模式分解的变体。简而言之,通过在连续状态空间上使用基函数,DDD允许在这些基函数上拟合连续时间马尔可夫链,并因此在分布之间连续映射。DDD中的参数数量是由基函数数量的平方决定的;我们重新定义了这个问题,并将该方法限制在紧凑的基函数上,这导致只对稀疏矩阵进行推理,从而减少了参数的数量。最后,我们展示了DDD如何适合整合轨迹时间序列(后续时间点之间配对)和快照时间序列(未配对的时间点)。能够整合这两种情况的方法与生物医学数据的分析特别相关,研究观察固定时间点的人群(快照)和重复随访的个体患者旅程(轨迹)。
2020-06-11 cs.LG stat.ML
Lasso Guarantees for Time Series Estimation Under Subgaussian Tails and $ β$-Mixing
University of Michigan(密歇根大学)
许多关于高维时间序列估计的理论结果都需要指定一个底层的数据生成模型(DGM)。相反,沿着~ \cite{wong2017lasso}的脚步,本文仅依赖于(严格)平稳性和$ β$ -混合条件来建立套索的一致性时,数据来自一个$β$ -混合过程的边缘具有亚高斯尾巴。由于一般假设,数据可以来自不同于标准时间序列模型(如VAR或ARCH)的DGM。当真正的DGM不是VAR时,套索估计值对应于使用过去观测值的最佳线性预测值。我们建立非渐近不等式的估计和预测误差的套索估计。与~ \cite{wong2017lasso}一起,我们提供了覆盖$ β$ -混合亚高斯时间序列规范中参数全谱的套索保证。这些结果的应用可能扩展到非高斯,非马尔可夫和非线性时间序列模型,我们提供的例子证明。为了证明我们的结果,我们得到了一个新的关于$β$ -混合亚高斯随机向量的Hanson-Wright型集中不等式.
2018-02-05 cs.LG stat.ML
An Interpretable and Sparse Neural Network Model for Nonlinear Granger Causality Discovery
虽然大多数经典的格兰杰因果关系检测方法依赖于线性时间序列假设,但神经科学和经济学应用中的许多相互作用是非线性的。我们开发了一种使用多层感知器的非线性Granger因果关系检测方法,其中网络的输入是所有系列的过去时间滞后,输出是单个系列的未来值。在这种情况下,格兰杰非因果关系的一个充分条件是输入数据的所有输出权重,即序列的过去滞后,到第一个隐藏层的权重都为零。对于估计,我们利用组套索惩罚来将输入权重的组缩小到零。我们还提出了一个层次的惩罚同时格兰杰因果关系和滞后估计。我们验证了我们的方法从稀疏线性自回归模型和稀疏和非线性Lorenz-96模型的模拟数据。
2018-06-25 stat.ML
Motion Code: Robust Time Series Classification and Forecasting via Sparse Variational Multi-Stochastic Processes Learning
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出 Motion Code 框架,将时间序列视为连续时间随机过程,通过签名向量和最具信息量时间戳的稀疏变分学习捕捉多种底层动态,实现噪声数据上的鲁棒时间序列分类与预测,并在帕金森病传感器追踪等实验中优于现有基准。
2024-11-25 cs.AI cs.LG stat.ML
Dynamic Gaussian Mixture based Deep Generative Model For Robust Forecasting on Sparse Multivariate Time Series
NEC Laboratories America(美国 NEC 实验室)
稀疏多变量时间序列(MTS)预测的目的是建立模型的预测未来值的时间序列,其不完整的过去,这是非常重要的许多新兴的应用。然而,大多数现有的方法单独处理MTS,并且不利用MTS的动态分布,导致当稀疏度高时的次优结果。为了解决这一挑战,我们提出了一种新的生成模型,它跟踪潜在集群的过渡,而不是孤立的特征表示,以实现鲁棒的建模。它的特点是由一个新设计的动态高斯混合分布,它捕获的动态聚类结构,并用于发射时间序列。生成模型由神经网络参数化。一个结构化的推理网络也被设计为使归纳分析。进一步引入门控机制来动态调整高斯混合分布。大量的实验结果在各种现实生活中的数据集证明了我们的方法的有效性。
2021-03-03 cs.AI cs.LG stat.ML
Tail-Aware Density Forecasting of Locally Explosive Time Series: A Neural Network Approach
University Paris-Panthéon-Assas(巴黎先贤祠-阿萨斯大学);CEREMADE, CNRS UMR 7534, Université Paris-Dauphine, PSL University(法国国家科学研究中心第7534号交叉研究实验室,巴黎第九大学,巴黎文理研究大学);LEDa, CNRS, IRD, Université Paris-Dauphine, Université PSL(法国国家科学研究中心,法国海外发展研究所,巴黎第九大学,巴黎文理研究大学)
本文提出一种基于神经网络的混合密度网络,用于预测具有局部爆炸性行为的时间序列,通过偏态t分布和自适应加权方案提升极端区域的密度估计精度。
2026-08-31 stat.ME
Tail postcoloring in long-run variance estimation of time series
University of Washington(华盛顿大学);The Chinese University of Hong Kong(香港中文大学)
本文提出尾部后着色方法,通过参数模型将非参数估计中被忽视的尾部自协方差投影到最终估计器,实现非参数方差估计与参数着色模型的连接,提高稳健性和效率。
2026-05-15 stat.ME
TailedTS: Benchmark Dataset for Heavy-Tailed Time Series Prediction and Periodicity Quantification
University of Central Florida(中央佛罗里达大学);University of California, San Diego(加州大学圣地亚哥分校);Massachusetts Institute of Technology(麻省理工学院)
TailedTS数据集用于测试在重尾、零膨胀和非高斯条件下时间序列预测模型的鲁棒性,通过稀疏自回归框架揭示高频页面的周期性较弱,同时提供非高斯损失函数的标准化预测基准。
2026-05-09 cs.AI cs.LG stat.ML
Sparse-Group Factor Analysis for High-Dimensional Time Series
San Diego State University(圣地亚哥州立大学)
针对高维时间序列因子分析的可解释性问题,提出结合个体与组稀疏性的双重稀疏载荷框架,并给出估计算法与渐近性质,模拟与实证均验证其有效性。
2025-10-06 stat.ME
Short-Term Prediction of Signal Cycle in Actuated-Controlled Corridor Using Sparse Time Series Models
交通信号作为智能交通系统的一部分,可以在实现城市智能化方面发挥重要作用。传统上,大多数交通信号灯都设计有固定时间控制,这会导致大量的松弛时间(未使用的绿灯时间)。驱动式交通灯实时控制交通流量,并对交通需求的变化做出更好的响应。对于孤立信号,一系列时间序列模型,如自回归积分移动平均(ARIMA)模型,可以是有益的预测下一个周期长度。然而,当有多个信号灯沿走廊放置具有不同的间距和配置,这样的信号灯的周期长度的变化不仅与每个信号灯的值,但它也受到来自相邻交叉口的车辆队列的影响。本文建立了一个多变量时间序列模型,用于分析全驱动条件下沿走廊布置的多个交叉口信号周期长度的行为。沿一条走廊建立了5个信号交叉口的模型,每个交叉口之间具有不同的间距,并考虑了多层次的交通需求。为了解决问题的高维性质,在估计过程中利用惩罚最小二乘法输出稀疏模型。两种稀疏时间序列方法捕获的信号数据相当不错,并优于传统的向量自回归(VAR)模型-在某些情况下高达17% -以及更强大的单变量模型,如ARIMA。
2018-03-18 stat.AP
Fractional lower-order covariance-based measures for cyclostationary time series with heavy-tailed distributions: application to dependence testing and model order identification
Faculty of Pure and Applied Mathematics, Hugo Steinhaus Center, Wroclaw University of Science and Technology(弗罗茨瓦夫科技大学纯科学与应用数学学院,雨果·斯坦豪斯中心)
本文提出基于分数低阶协方差的循环平稳时间序列分析方法,用于处理具有厚尾分布的无限方差过程,通过peFLOACF和peFLOPACF进行依赖性检验和模型阶数识别。
2026-04-15 stat.ME
Optimality of the max test for detecting sparse signals with Gaussian or heavier tail
高维检验中的一个基本问题是全局零检验:检验零是否在所有$n$假设中同时成立。最大检验使用最小的$n$边缘p值作为其检验统计量,因其简单性和稳健性而广受欢迎。然而,其相对于其他测试的理论性能受到质疑。在高斯序列版本的全局测试问题中,Donoho和Jin(2004)发现了一个所谓的“弱,稀疏”渐近机制,其中当所有非零信号强度都相同时,更高的批评和Berk-Jones测试比最大测试实现了更好的检测边界。我们研究了一个更一般的模型,其中的非零的手段是从一个通用的分布,并表明,检测边界的最大测试是最佳的“弱,稀疏”制度,只要分布的尾巴是不轻于高斯。此外,我们从理论上和模拟表明,修改后的更高的批评Donoho和Jin(2004)可以有非常低的权力时,非零的平均值的分布有一个多项式的尾巴。
2020-06-19 math.ST stat.TH
Sparse principal component analysis for high-dimensional stationary time series
本文研究高维平稳过程的稀疏主成分分析。当过程的维数较大时,标准主成分分析表现不佳。建立了含重尾时间序列的惩罚主成分估计的预言不等式。建立了估计量的收敛速度收敛速率。我们还阐明了在惩罚估计中选择调整参数的理论速率。通过数值模拟证明了稀疏主成分分析的性能。稀疏主成分分析对时间序列数据的实用性通过应用于平均温度数据来举例说明。
2021-09-16 math.ST stat.TH
Statistical inference for heavy tailed series with extremal independence
本文考虑平稳时间序列$\{X_j, j \in Z\} whose finite dimensional distributions are regularly varying with extremal independence. We assume that for each $ h \geq 1 $, conditionally on $ X 0 $ to exceed a threshold tending to infinity, the conditional distribution of $ X h$适当归一化弱收敛到一个非退化分布.在本文中,我们考虑估计的正常化和极限分布。
2018-04-29 math.ST stat.TH
Simultaneous sparse model selection and coefficient estimation for heavy-tailed autoregressive processes
提出了一种基于惩罚条件极大似然的重尾新息自回归过程的稀疏系数估计和自动模型选择方法.在新息过程的弱矩条件下,惩罚条件极大似然估计(PCMLE)满足强相合性、$O_P(N^{-1/2})$相合性和oracle性质,其中N是样本量.根据罚函数的弱条件,我们可以自由选择罚函数。比较了最小绝对收缩选择算子(LASSO)和平滑裁剪平均偏差(SCAD)两种罚函数。所提出的方法提供了一个基于分布的惩罚推理AR模型,这是特别有用的,当其他估计方法失败或执行厚尾新息的AR过程(见\cite{Resnick})。仿真研究证实了我们的理论结果。最后,我们将我们的方法应用于美国消费品工业生产指数的历史价格数据,并获得了非常有前途的结果。
2013-09-21 math.ST stat.ME stat.TH
Outlier-Robust Sparse Mean Estimation for Heavy-Tailed Distributions
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);University of California, San Diego(加州大学圣地亚哥分校);Simons Institute for the Theory of Computing(西蒙斯计算理论研究所)
研究了稀疏性条件下重尾分布的离群稳健均值估计的基本问题。具体而言,给定来自高维重尾分布的少量损坏样本,其平均值$μ$保证是稀疏的,目标是有效地计算以高概率精确地近似$μ$的假设。先前的工作已经获得了有效的算法,鲁棒稀疏均值估计的轻尾分布。在这篇工作中,我们给出了第一个样本有效和多项式时间的鲁棒稀疏均值估计的重尾分布在温和的矩假设。我们的算法实现了最佳的渐近误差,使用大量的样本缩放与环境维度。重要的是,我们的方法的样本复杂性是最佳的故障概率$τ$的函数,具有添加剂$\log(1/τ)$依赖。我们的算法利用了算法稳健统计文献中基于稳定性的方法,并在我们的设置中进行了关键(和必要)的调整。我们的分析可能是独立的兴趣,涉及到一个(非谱)分解的微妙设计,满足一定的稀疏性的半正定矩阵。
2022-11-29 cs.DS cs.LG math.ST
Optimal Sparse Estimation of High Dimensional Heavy-tailed Time Series
近年来,高维向量自回归模型(VAR)由于在健康、工程和社会科学领域的新应用而引起了人们的广泛兴趣。时间相关性的存在对惩罚估计技术理论提出了额外的挑战,惩罚估计技术广泛用于分析iid对应物。然而,最近的工作(例如,[Basu和Michaillem,2015年,Kock和Callot,2015年])已经建立了应用于涉及高维稳定高斯过程的模型的$\ell_1$ -LASSO正则化估计的最佳一致性。时间相关性的唯一代价是一个额外的乘法因子,对于独立同分布(iid)数据,它等于1。此外,[Wong等人,2020]将这些结果扩展到表现出“$β$ -混合”依赖性的重尾VAR,但是速率是次优的,而额外的因子是难以处理的。本文改进了这些结果在两个重要的方向:(i)我们建立了最佳的一致性率和相应的有限样本界的基础模型参数,匹配的iid数据,模的时间依赖的价格,这是很容易解释,等于1的iid数据。(ii)我们将更一般的处罚估计(这是不可分解的,不像$\ell_1$规范),以诱导一般的稀疏模式。所采用的关键技术工具是一种新的,易于使用的浓度绑定重尾线性过程,不依赖于“混合”的概念,并给出更严格的界限。
2022-09-19 math.ST stat.TH