Lasso Guarantees for $ β$-Mixing Heavy Tailed Time Series
套索的许多理论结果要求样本为iid。最近的工作提供了保证套索假设的时间序列是由稀疏向量自回归(VAR)模型与高斯创新。这些结果的证明主要依赖于这样一个事实,即真正的数据生成机制(DGM)是一个有限阶高斯VAR。这个假设是相当脆弱的:线性变换,包括选择变量的子集,可能导致违反这个假设。为了摆脱这种假设,我们推导出非渐近不等式的估计误差和预测误差的最佳线性预测的套索估计,而不假设任何特殊的参数形式的DGM。相反,我们只依赖于(严格)平稳性和几何衰减的\b{eta}混合系数建立误差界的套索subweibull随机向量。我们引入的次威布尔随机变量类包括次高斯和次指数随机变量,但也包括尾部比指数重的随机变量。我们还证明了,对于高斯过程,\b{eta}-混合条件可以放宽到α-混合系数的可和性.我们的工作提供了一个替代的证明稀疏高斯VAR模型的套索的一致性。但我们的结果的适用性扩展到非高斯和非线性时间序列模型,我们提供的例子证明。
2019-03-21 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
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
Extreme value analysis for the sample autocovariance matrices of heavy-tailed multivariate time series
本文给出了p维时间序列的样本协方差阵的最大特征值的渐近理论,其中当样本量n增加时,维数p = p_n收敛到无穷大.我们给出了一个简短的概述,在轻尾和重尾的情况下,数据有有限(无限)的四阶矩,分别在这一主题的文献。我们主要关注的是重尾的情况。在这种情况下,人们有一个理论,在iid的情况下,但也当数据的行和列是线性相关的样本协方差阵的归一化特征值的点过程。我们提供了这些点过程的泊松或集群泊松过程的弱收敛的极限结果。基于这种收敛性,我们还可以推导出有序特征值的各种函数的极限定律,例如有限个最大顺序统计量的联合收敛性、最大特征值与迹的联合极限定律、有序特征值连续比的极限定律等。我们还发展了样本自协方差矩阵及其平方和的奇异值的极限理论。该理论的模拟数据和标准普尔500指数的组成部分说明。
2016-04-26 math.PR math.ST stat.TH
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
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
Parametric generalized spectrum for heavy-tailed time series
Kyushu University(九州大学);Academia Sinica(中央研究院)
本文提出参数广义谱用于分析厚尾时间序列,通过特征函数构建参数族,实现非线性依赖建模,无需假设矩条件,并应用于拟合检验、单位根检验和非可逆性检验。
2026-03-30 math.ST stat.ME stat.TH
Robust estimation for high-dimensional time series with heavy tails
本文针对高维重尾时间序列提出了一种 Catoni 型截断最小绝对偏差回归方法,获得了更优的超额风险界,并通过模拟和真实数据验证了其稳健性和优越性。
2024-11-07 math.ST stat.TH
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
StochLOB: Heavy-Tailed Score Matching for Robust Limit Order Book Trend Prediction
Sharif University of Technology(谢里夫理工大学);Amirkabir University of Technology(阿米尔卡比尔理工大学);Boston University(波士顿大学);The Alan Turing Institute(艾伦·图灵研究所);Virginia Tech(弗吉尼亚理工大学)
本研究提出STOCHLOB框架,通过采用跳跃-莱维噪声和截断α稳定噪声替代布朗高斯噪声,实现鲁棒的LOB趋势预测,在加密货币数据上表现优异,且经A股转账研究验证其概率输出的可用性。
2026-10-27 cs.LG q-fin.TR stat.ML
Generalized Taylor's Law for Dependent and Heterogeneous Heavy-Tailed Data
Columbia University(哥伦比亚大学);The Rockefeller University(洛克菲勒大学);University of Chicago(芝加哥大学);Queen’s University(女王大学);The Chinese University of Hong Kong(香港中文大学)
本研究推广泰勒定律至重尾相依异质数据,建立概率极限与收敛速率,并通过模拟和网络数据验证其适用性。
2025-10-10 math.ST stat.TH
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
Robust change point tests by bounded transformations
经典的基于矩的变点检验,如累积和检验,在具有一个变点的高斯时间序列的情况下非常强大,但在重尾分布和损坏的数据下表现不佳。提出了一类新的基于稳健变换观测值的累积和统计量的稳健变点检验方法。这个框架是相当灵活的,取决于所使用的变换,可以检测例如可能的多元时间序列的均值、尺度或依赖性的变化。仿真结果表明,这种方法是非常强大的,在检测的边缘方差的变化,重尾多元时间序列的依赖结构检测结构突变的过程中,优于现有的建议。
2019-05-15 math.ST stat.ME stat.TH
Eigenvalues and eigenvectors of heavy-tailed sample covariance matrices with general growth rates: the iid case
本文研究了当$p$和样本量$n$一起收敛到无穷大时,具有iid项的$p$维时间序列样本协方差阵的最大特征值的联合分布收敛性.我们只考虑重尾时间序列,在这个意义上,条目满足一些定期的变化条件,确保他们的四阶矩是无限的。在这种情况下,Soshnikov [31,32]和Auffinger等人[2]证明了样本协方差阵的归一化特征值的点过程向非齐次泊松过程的弱收敛,这反过来意味着最大特征值按分布收敛到Fréchet分布的随机变量。他们在假设$p$和$n$彼此成比例的情况下证明了这些结果。在本文中,我们表明,上述结果仍然有效,如果$p$增长在任何多项式的速度。这些证明与文献[2,31,32]中的证明不同,我们采用了大偏差技术。证明表明,只有样本协方差阵的对角线与最大特征值及其对应的特征向量的渐近行为有关,这些特征值和特征向量接近于标准基向量。我们还讨论了样本自协方差矩阵的结果的扩展。
2016-08-24 math.PR math.ST stat.TH
Testing for Parallelism Between Trends in Multiple Time Series
本文研究了多个非平稳时间序列的趋势推断问题。为了检验趋势是否相互平行,我们使用了基于非参数趋势估计量与其平均值之间的L2距离的平行性指数。得到了检验统计量的中心极限定理,并建立了检验的相合性。我们提出了一个基于模拟的近似分布的检验统计量,显着改善后的正常近似。该测试也适用于设计一个聚类算法。最后,有限样本的测试性能进行评估,通过模拟和测试方法说明了时间序列从摩托罗拉手机活动在美国。
2011-05-24 math.ST stat.ME stat.TH
BNB autoregressions for modeling integer-valued time series with extreme observations
本文介绍了一种通用的重尾自回归模型,用于建模具有异常值的整数值时间序列。拟议的规范基于负二项分布的重尾混合,其特征是条件期望的观察驱动动态方程。在一般的压缩条件下,证明了一类自回归过程的唯一平稳遍历解的存在性。在给出似然函数的封闭形式的情况下,可以很容易地用极大似然法进行模型的估计。给出了估计量的强相合性和渐近正态性。规范的两个例子说明了方法的灵活性和理论结果的相关性。特别地,考虑了条件期望的线性动态方程和分数驱动方程。分数驱动的规范被证明是特别有吸引力的,因为它提供了一个强大的过滤方法,衰减离群值的影响。经验应用的时间序列的毒品贩运报告在悉尼说明了该方法在处理极端观测的有效性。
2019-09-06 math.ST stat.ME stat.TH
Detecting changes in the trend function of heteroscedastic time series
我们提出了一个新的渐近检验来评估一个时间序列的平均值的平稳性,适用于同时存在异方差和短程依赖。我们的检验统计量由局部样本均值的基尼均值差组成。为了分析其渐近行为,我们发展了新的极限理论的U-统计量的强混合三角形阵列下的非平稳。最重要的是,我们显示渐近正态性的检验统计量的假设下,一个恒定的平均值,并证明了测试的一致性对一个非常一般的类的替代品,包括平滑和突然的变化的平均值。我们提出了所有参数的估计,包括一个适应的子采样估计长期方差,并显示其一致性。我们的程序实际上是在一个广泛的模拟研究和两个数据的例子进行评估。
2021-08-20 math.ST stat.TH
Time Series Forecasting: Obtaining Long Term Trends with Self-Organizing Maps
Kohonen自组织映射是一种众所周知的分类工具,通常用于各种各样的问题,但在时间序列预测方面的应用有限。在本文中,我们提出了一种预测方法,专门设计用于多维长期趋势预测,与Kohonen算法的双重应用。文中还介绍了该方法的实际应用。
2007-01-08 cs.LG math.ST stat.TH
Robust Estimation of Sparse, High Dimensional Time Series with Polynomial Tails
高维向量自回归(VAR)由于在健康、工程、金融和社会科学等领域的新应用,近年来受到了广泛的关注。分析VAR时会出现三个问题:(a)在存在许多时间序列的情况下,模型的高维性质对其参数的一致估计提出了挑战;(b)时间依赖性的存在为各种估计程序的理论分析带来了额外的挑战;(b)在许多应用中存在重尾。最近的工作,例如[Basu和Michailbane,2015],[Kock和Callot,2015],已经解决了基于$\ell_1$ LASSO过程的稀疏高维稳定高斯VAR模型的一致估计。此外,所获得的速率是最优的,在某种意义上,它们与iid数据的速率相匹配,加上时间依赖性的乘法因子(这是所付出的“代价”)。然而,第三个问题在现存的文献中仍然没有得到解决。本文在以下重要方向推广了已有的结果:考虑了由重尾同方差或异方差噪声过程(不具有所有矩)驱动的稀疏高维VAR模型参数的相合估计.一种鲁棒的惩罚方法(例如,LASSO)的最优一致性率和相应的有限样本边界的基础模型参数获得匹配的iid数据,虽然付出代价的时间依赖性。理论结果说明VAR模型和其他流行的时间序列模型。值得注意的是,使用的关键技术工具是重尾依赖过程的单一浓度边界。
2022-11-14 math.ST 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
Inference on common trends in functional time series
Aarhus Center for Econometrics(奥胡斯计量经济学中心);Aarhus University(奥胡斯大学)
本文研究了在Hilbert空间中时间序列的单位根和协整的统计推断,提出对嵌入时间序列中的共同随机趋势数量(非平稳子空间维度)的推断方法,并考虑非平稳和平稳子空间的假设检验。
2026-07-06 econ.EM math.ST stat.TH
Inference in heavy-tailed non-stationary multivariate time series
我们研究了在一个非平稳的,$N$变量时间序列$y_{t}$,在可能存在的重尾的共同随机趋势的推断。我们提出了一种新的方法,它不需要任何知识或估计的尾部指数,甚至知识是否存在某些时刻(如方差)或不,并开发一个估计的随机趋势$m$的数量的基础上的特征值的样本二阶矩矩阵的$y_{t}$。我们研究了这些特征值的速率,表明第一个$m$特征值的发散,随着样本量$T$传递到无穷大,其速率比其余的$N-m$特征值快$O\left(T \right)$,与尾指数无关。因此,我们利用这个本征间隙构造,为每个本征值,一个测试统计量,根据相关的本征值是否属于第一组$m$本征值或不发散到正无穷大或漂移到零。然后,我们在此基础上构建了一个随机统计量,将其用作序贯检验程序的一部分,以确保$m$估计量的一致性。我们还讨论了一个估计的共同趋势的基础上的主成分,并表明,到一个可逆的线性变换,这样的估计是一致的,在这个意义上,估计误差是较小的顺序比趋势本身。最后,我们还考虑的情况下,我们放宽了\textit{i.i.d.}创新的标准假设,允许异质性的一个非常普遍的形式的规模的创新。蒙特卡罗研究表明,建议的估计$m$执行特别好,即使在小尺寸的样本。我们通过介绍四个说明性应用程序来完成本文,这些应用程序涵盖商品价格,利率数据,长期PPP和加密货币市场。
2021-07-29 econ.EM stat.OT
Time-varying correlation network analysis of non-stationary multivariate time series with complex trends
本文提出了一个灵活的框架,从多变量或高维非平稳时间序列分段平滑趋势推断大规模时变和时滞相关网络。建立在一个新的和统一的多重测试程序的时滞互相关函数与一个固定或发散的滞后数,我们的方法可以准确地揭示灵活的时变网络结构与复杂的功能结构在所有的时间点。我们扩大了我们的方法的适用性,通过开发基于差分的互相关非参数估计的结构中断,实现准确的家庭明智的错误控制,通过自适应复杂的时间动态的引导辅助程序,并提高恢复的概率时变网络结构使用一个新的均匀方差减少技术。我们证明了所提出的方法的渐近有效性,并通过仿真研究和实证应用表明其有效性在有限样本。
2023-02-10 math.ST stat.ME stat.TH
Defining a Trend for a Time Series Which Makes Use of the Intrinsic Time-Scale Decomposition
我们提出的标准,定义一个趋势的时间序列与固有的多尺度功能。我们称这种趋势为时间序列的{ \it趋势}。该趋势由一组标准凭经验定义,并捕获原始信号的大规模时间变化以及其直方图中最频繁的事件。在其他属性中,趋势的方差不大于原始信号的方差;原始信号和趋势之间的差异的直方图尽可能对称;并且以降低的复杂性,趋势捕获信号的基本特征。为了找到趋势,我们首先使用Frei和Osorio在2007年提出的信号的内在时间尺度分解(ITD)来产生一组候选趋势。然后,我们将这些标准应用于每个候选人,以选出最符合他们的候选人。虽然标准的趋势是独立的信号分解方案,它被发现,ITD是一个简单而稳定的方法,非常适合于多尺度信号。ITD是一个相对较新的分解,对其结果知之甚少。在这项研究中,我们采取的第一个步骤对随机时间序列的ITD分析的概率模型。这种分析产生的细节的分解的组件的普遍性和缩放特性。
2014-04-15 math.ST physics.data-an 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
An empirical study of neural networks for trend detection in time series
Société Générale CIB(法国兴业银行企业与投资银行)
在噪声时间序列中检测结构是一项困难的任务。一个直观的特征是趋势的概念。从理论上的提示和使用模拟的时间序列,我们实证研究的效率,标准的递归神经网络(RNN)检测趋势。我们展示了某些标准RNN结构相对于其他各种估计器的整体优越性和多功能性。这些RNN可以用作构建更复杂的时间序列趋势估计器的基本模块。
2020-02-28 cs.LG q-fin.ST stat.ML
Nonparametric Trend Estimation in Functional Time Series with Application to Annual Mortality Rates
Here, we address the problem of trend estimation for functional time series . Existing contributions either deal with detecting a functional trend or assuming a simple model. They consider neither the estimation of a general functional trend nor the analysis of functional time series with a functional trend component. Similarly to univariate time series , we propose an alternative methodology to analyze functional time series , taking into account a functional trend component. We propose to estimate the functional trend by using a tensor product surface that is easy to implement, to interpret,…
2020-08-21 stat.ME
Adaptive Huber Regression on Markov-dependent Data
高维线性回归是近二十年来统计学界研究的热点。为了便于理论分析,经典方法通常假设观测值独立,误差为亚高斯分布。然而,这两种方法都不包含很多真实的高维时间序列数据。最近[Sun,Zhou,Fan,2019,J. Amer. Stat.助理,在出版]提出了自适应Huber回归(AHR),以解决重尾错误的问题。他们发现,Huber损失的鲁棒化参数应适应于重尾误差的样本量、维数和矩。我们在垂直方向上取得进展,并证明AHR依赖的观察。具体来说,我们考虑一个重要的依赖结构-马尔可夫依赖。我们的研究结果表明,马尔可夫依赖性影响的自适应的鲁棒参数和回归系数的估计的方式,样本量应被折扣的一个因素取决于潜在的马尔可夫链的谱间隙。
2019-09-23 math.ST stat.ME stat.TH
STD: A Seasonal-Trend-Dispersion Decomposition of Time Series
Czestochowa University of Technology(琴斯托霍瓦工业大学)
时间序列的分解是一项基本任务,有助于理解其本质。它便于分析和预测复杂的时间序列表达各种隐藏的成分,如趋势,季节性成分,周期性成分和不规则波动。因此,它在许多领域的预测和决策过程中至关重要。近年来,人们发展了许多时间序列分解方法,它们提取和揭示了不同的时间序列特性。不幸的是,他们忽略了一个非常重要的性质,即时间序列方差。为了处理时间序列中的异方差性,本文提出了一种季节性趋势离散分解(STD)方法,提取时间序列的趋势、季节性分量和与离散相关的分量。我们用两种方式定义STD分解:有和没有不规则分量。我们展示了如何STD可以用于时间序列分析和预测。
2022-04-21 cs.LG stat.ME
RobustSTL: A Robust Seasonal-Trend Decomposition Algorithm for Long Time Series
Alibaba Group(阿里巴巴集团)
将复杂的时间序列分解为趋势、季节和剩余分量是促进时间序列异常检测和预测的重要任务。尽管已经提出了许多方法,但仍然有许多时间序列特征表现在现实世界的数据中没有得到适当的解决,包括:1)处理季节性波动和偏移的能力,以及趋势和提醒的突变; 2)对异常数据的鲁棒性; 3)对长季节性周期时间序列的适用性。在本文中,我们提出了一种新的和通用的时间序列分解算法来解决这些挑战。具体来说,我们提取的趋势分量鲁棒地解决回归问题,使用最小绝对偏差损失与稀疏正则化。在提取趋势的基础上,应用非局部季节性滤波提取季节性成分。重复该过程,直到获得准确的分解。不同的合成和真实世界的时间序列数据集上的实验表明,我们的方法优于现有的解决方案。
2018-12-05 cs.LG eess.SP stat.AP
An Improvement of PAA on Trend-Based Approximation for Time Series
Harbin Institute of Technology(哈尔滨工业大学)
分段聚集近似(PAA)是一种有竞争力的高维时间序列挖掘的基本降维方法。然而,在部署时,局限性是显而易见的,一些重要的信息将被错过,特别是趋势。在本文中,我们提出了两种新的方法,利用近似的趋势特征信息的时间序列。第一种方法是根据每一段的相对平均值来记录趋势,将每一段分为两部分,分别用数值平均值来表示趋势。我们证明了该方法满足下界,保证没有假解雇。我们的第二种方法使用一个二进制字符串来记录趋势,这也是相对于每个段中的平均值。将该方法应用于分类和异常检测中的相似性度量,实验结果表明,通过适当地提取趋势特征,提高了分类的准确性和有效性。
2019-06-28 cs.LG stat.ML
MSTL: A Seasonal-Trend Decomposition Algorithm for Time Series with Multiple Seasonal Patterns
将时间序列分解成分量是一项重要的任务,有助于理解时间序列,并可以实现更好的预测。如今,高采样率导致高频数据(如每日、每小时或每分钟数据),许多真实世界的数据集包含时间序列数据,这些数据可以表现出多种季节模式。虽然已经提出了几种方法来更好地分解时间序列在这些情况下,他们往往是计算效率低或不准确。在这项研究中,我们提出了多个季节趋势分解使用黄土(MSTL),传统的季节趋势分解使用黄土(STL)过程的扩展,允许分解的时间序列与多个季节模式。在我们对合成和扰动的真实世界时间序列数据集的评估中,与其他分解基准相比,MSTL以较低的计算成本展示了具有竞争力的结果。MSTL的实现在R包预测中可用。
2021-07-28 stat.AP stat.CO
Prediction in locally stationary time series
我们开发了一个估计的高维协方差阵的局部平稳过程的平稳变化的趋势,并使用此统计量来获得一致的预测非平稳时间序列。与目前可用的方法相比,这个问题的预测不依赖于拟合自回归模型,不需要消失的趋势。新方法的有限样本性质说明了通过模拟研究和金融指数的研究。
2020-01-04 econ.EM math.ST stat.ME
RobustTrend: A Huber Loss with a Combined First and Second Order Difference Regularization for Time Series Trend Filtering
Alibaba Group(阿里巴巴集团)
提取潜在的趋势信号是促进时间序列分析(如预测和异常检测)的关键步骤。除了噪声信号,时间序列不仅可以包含异常值,而且在现实世界的情况下,突然的趋势变化。为了应对这些挑战,我们提出了一种基于鲁棒统计和稀疏学习的鲁棒趋势滤波算法。具体来说,我们采用Huber损失来抑制异常值,并利用趋势分量上的一阶和二阶差分的组合作为正则化来捕获缓慢和突然的趋势变化。此外,基于优化最小化(MM)和交替方向乘子法(ADMM),设计了一种有效的方法来解决所提出的鲁棒趋势滤波。我们将我们提出的鲁棒趋势滤波器与其他九种最先进的趋势滤波算法在合成和真实世界的数据集上进行了比较。实验结果表明,该算法优于现有的方法。
2019-06-27 cs.LG eess.SP stat.AP
Spherically Embedded Time Series with Unknown Trend and Periodic Components
Macquarie University(麦考瑞大学)
本文提出统一的几何框架分析非平稳球面嵌入时间序列,通过非参数球面趋势-周期性分解模型提取趋势和周期成分,结合球面自回归模型提升预测性能。
2026-08-28 stat.AP stat.ME
TrendLSW: Trend and Spectral Estimation of Nonstationary Time Series in R
TrendLSW包提供小波技术分析非平稳时间序列,包括趋势下谱估计、趋势估计及置信区间,支持任意长度数据,无需预处理。
2024-11-05 stat.CO stat.ME
Trend and seasonality estimation for point-process time series
University of Wisconsin–Milwaukee(威斯康星大学密尔沃基分校)
本文提出了一种用于点过程时间序列趋势和季节性估计的简单M估计器,通过模拟研究其有限样本性能,并以芝加哥Divvy自行车共享系统中的自行车需求模式为例进行实数据应用。
2026-05-21 stat.ME
Parallel Extraction of Long-term Trends and Short-term Fluctuation Framework for Multivariate Time Series Forecasting
The University of Queensland(昆士兰大学);Zhejiang University(浙江大学);Chongqing University(重庆大学);Purdue University(普渡大学)
多元时间序列预测在各个领域有着广泛的应用。合理的预测结果可以辅助人们进行规划和决策,产生效益,规避风险。通常,时间序列有两个特征,即长期趋势和短期波动。例如,股票价格会随着市场出现长期上涨趋势,但短期内可能会出现小幅下跌。这两个特征往往是相对独立的。然而,现有的预测方法往往不区分它们,这降低了预测模型的准确性。本文提出了一个MTS预测框架,它可以并行地捕捉时间序列的长期趋势和短期波动。该方法使用原始时间序列及其一阶差分来表征长期趋势和短期波动。构造了三个预测子网络,分别用于预测长期趋势、短期波动和最终预测值。在总体优化目标上,借鉴了多任务学习的思想,即在要求逼近待预测值的同时,使长期趋势和短期波动的预测结果尽可能接近真实值。该方法利用了更多的监督信息,能够更准确地捕捉时间序列的变化趋势,从而提高了预测性能。
2021-03-22 cs.LG stat.ML
Rethinking Nonstationarity in Time Series: A Deterministic Trend Perspective
Hong Kong Baptist University(香港浸会大学);Chinese University of Hong Kong(香港中文大学)
STSA模型从确定性趋势视角重新审视时间序列非平稳性,通过分解趋势和季节成分,有效识别结构性断裂并提升预测精度。
2025-11-25 stat.AP
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
Extracting Common Time Trends from Concurrent Time Series: Maximum Autocorrelation Factors with Application to Tree Ring Time Series Data
并发时间序列通常出现在各种应用中,包括在监测环境时,例如在空气质量测量网络、气象站、海洋学浮标中,或在古形式中,例如湖泊沉积物、树环、冰芯或珊瑚同位素,每个监测或采样站点提供时间序列之一。这些应用的目标是在观测数据中提取共同的时间趋势或信号。目标是提取多个时间序列的共同时间趋势的其他示例是股票价格时间序列、神经时间序列和质量控制时间序列。为了这个目的,我们开发MAF [最大自相关因子]的属性,线性组合时间序列,以最大化得到的SNR [信号噪声比],其中有多个平滑信号存在于数据中。在MAF和CCA [典型相关分析]之间的回归设置中建立等效性,即使MAF不需要与CCA相反的特定信号知识。我们继续推导MAF的理论特性,并量化MAF的SNR优势,与PCA [主成分分析],一种常用的方法,线性组合时间序列,并比较其统计样本特性。然后将MAF和PCA应用于真实和模拟数据集,以说明MAF的功效。
2015-10-17 stat.ME
Large-Scale Curve Time Series with Common Stochastic Trends
本文研究具有共同随机趋势的高维曲线时间序列,提出双重泛函因子模型并结合泛函PCA技术进行估计,推导了收敛性与极限分布理论,通过模拟与实证验证了方法的有效性。
2025-09-14 econ.EM stat.ME
Detection of collective and point anomalies in the presence of trend and seasonality
研究在时间序列数据中存在趋势和季节性时检测集体和点异常的问题,核心方法是能同时检测两类异常并考虑趋势和季节性模式的新方法,贡献是建立统计理论,经模拟研究和实际应用验证了方法的有效性。
2026-07-20 math.ST stat.AP stat.ME
A mathematical proof of the existence of trends in financial time series
通过证明金融时间序列中趋势的存在,我们正在解决量化金融中的一个长期争论,这要归功于卡地亚和Y。Perrin,用非标准分析的语言表达(有限集上的积分,F。& M. Diener(Eds):Nonstandard Analysis in Practice,Springer,1995,pp. 195- 204)。这些趋势可能与一些改变的随机游走范式和有效市场假说共存,但似乎很难与著名的布莱克-斯科尔斯模型相协调。他们估计通过最近的技术源于控制和信号理论。对各种金融量的预测进行了几个相当有说服力的计算机模拟。最后,我们讨论概率论的作用。
2009-01-14 cs.CE math.CA math.PR
Lagged correlation-based deep learning for directional trend change prediction in financial time series
University of Edinburgh(爱丁堡大学)
具有大量噪声时间序列的复杂系统中的趋势变化预测是现实世界现象的许多应用中的问题,股票市场是这种系统的众所周知的难以预测的示例。我们通过它们之间的复杂滞后相关性来预测方向趋势变化,从相应的输入中排除有关目标系列的任何信息,以纯粹基于与其他系列的此类相关性来实现预测。我们建议使用深度神经网络,在这项任务的预备特征工程中采用指数平滑的逐步线性回归,回归斜率作为给定时间间隔的趋势强度指标。我们将这种方法应用于2011年至2016年的历史股票市场数据,作为大量时间序列之间滞后相关性的用例示例,这些时间序列受到外部产生的新信息作为随机因素的严重影响。结果表明,所提出的方法的可行性,与国家的最先进的准确性和会计的统计意义的结果进行额外的验证,以及现代金融经济学的重要影响。
2018-11-29 cs.LG q-fin.CP stat.ML
Modelling Time-Varying First and Second-Order Structure of Time Series via Wavelets and Differencing
在实践中观察到的大多数时间序列表现出随时间变化的趋势(一阶)和自协方差(二阶)的行为。差分是一种常用的技术,以消除这种序列中的趋势,以估计(差分序列的)时变二阶结构。然而,我们通常需要对原始序列的二阶行为进行推断,例如,在进行趋势估计时。在这篇文章中,我们提出了一种方法,使用差分,联合估计的时变趋势和二阶结构的非平稳时间序列,在局部平稳小波建模框架。我们开发了一个基于小波的估计的二阶结构的原始时间序列的基础上的差分估计,并展示了如何将其纳入估计的趋势的时间序列。我们进行了模拟研究,以调查的方法的性能,并通过分析环境和生物医学科学的数据例子,证明该方法的实用性。
2022-04-06 stat.ME
On trend and its derivatives estimation in repeated time series with subordinated long-range dependent errors
对于时间上规则分布的数据集,有很多方法可以使用,并且这些方法的性质得到了广泛的研究。对于具有复杂相关结构的不规则时态数据集,尽管这类数据集广泛存在,但对受测量误差影响的数据集的研究较少。本文研究了在测量误差相关和不规则采样间隔下,核函数平滑器对趋势及其导数的平滑性能。假设误差过程是服从高斯长记忆过程,具有变化的边缘分布。导出了趋势及其导数估计量的泛函中心极限定理,并讨论了带宽选择问题。
2018-03-14 stat.ME
ST-MTM: Masked Time Series Modeling with Seasonal-Trend Decomposition for Time Series Forecasting
Ulsan National Institute of Science and Technology(乌山国立科学技术研究院)
ST-MTM提出基于季节-趋势分解的掩码时间序列建模框架,通过周期掩码和子序列掩码分别处理季节与趋势分量,并结合对比学习,在时间序列预测中取得优于现有方法的性能。
2025-06-13 cs.AI cs.LG stat.ML
An analysis of deep neural networks for predicting trends in time series data
University of Cape Town(开普敦大学);Centre for Artificial Intelligence Research(人工智能研究中心)
最近,提出了一种混合深度神经网络(DNN)算法TreNet,用于预测时间序列数据的趋势。虽然TreNet在趋势预测方面表现出优于其他DNN和传统ML方法的性能,但所使用的验证方法没有考虑时间序列数据集的连续性,也没有处理模型更新。在这项研究中,我们使用向前走验证方法在相同的数据集上复制了TreNet实验,并在多个独立运行中测试了我们的最佳模型,以评估模型稳定性。我们比较了混合TreNet算法在四个数据集上的性能,与采用点数据的普通DNN算法以及传统ML算法。我们发现,一般来说,TreNet仍然比vanilla DNN模型表现更好,但并不是在原始TreNet研究中报告的所有数据集上。本研究强调了使用适当的验证方法和评估模型稳定性的重要性,以评估和开发机器学习模型,用于时间序列数据的趋势预测。
2020-09-22 cs.LG stat.ML
Modeling Interval Trendlines: Symbolic Singular Spectrum Analysis for Interval Time Series
在这篇文章中,我们提出了一个扩展的奇异谱分析的区间值时间序列。所提出的方法可以用来分解和预测集值随机过程的动力学。区间时间序列被分解的结果分量可以被理解为区间趋势线、周期或噪声。预测可以通过线性递归方法进行,我们设计了多变量设置的分解方法的概括。所提出的方法的性能展示在模拟研究。我们应用所提出的方法,以跟踪动态管理阿根廷股市(MERVAL)在实时,在一个案例研究,涵盖了最近一段时间的动荡,导致阿根廷政府与国际货币基金组织的讨论。
2020-11-08 stat.AP stat.ME
Dynamic tail inference with log-Laplace volatility
我们提出了一个家庭的模型,使预测估计随时间变化的极端事件的概率在重尾和非线性相关的时间序列。该模型是一个具有条件对数拉普拉斯随机波动率的白噪声过程。与其他类似的随机波动形式主义相比,这个过程具有条件概率结构的解析表达式,可以直接估计动态变化的极端事件概率。该过程和波动率是条件帕累托尾的,尾部指数由对数波动率的平均绝对新息的倒数给出。这种形式主义可以容纳各种各样的非线性依赖,以及条件幂律尾行为范围从弱非高斯柯西类尾巴。我们提供了一个计算简单的估计过程,使用的过程的动态大偏差概率的渐近近似。我们证明了估计的效用与模拟研究。然后,我们展示了该方法的预测能力,在一个模拟的非线性时间序列的波动是由混沌洛伦兹系统驱动。最后,我们提供了一个实证应用,这表明这种简单的建模方法可以有效地用于金融时间序列的动态和预测尾部推断。
2019-07-31 econ.EM math.ST q-fin.RM
Locally Adaptive Shrinkage Priors for Trends and Breaks in Count Time Series
提出负二项贝叶斯趋势滤波器(NB-BTF),利用动态全局-局部收缩先验捕捉计数时间序列的多尺度特征,模拟中优于现有方法,并在停电频率数据上验证了其有效性与不确定性量化。
2023-08-31 stat.ME
Online Bootstrap Inference for the Trend of Nonstationary Time Series
LMU Munich(慕尼黑大学);Munich Center for Machine Learning(慕尼黑机器学习中心)
提出一种在线自助法方案,用于非平稳时间序列的非参数水平估计,实现可扩展的不确定性量化,适用于自适应异常检测、在线监测等场景。
2026-06-26 stat.CO stat.ME
Inference for heavy tailed stationary time series based on sliding blocks
极值理论中的块极大值方法包括将极值分布拟合到从时间序列中提取的块极大值的样本。传统上,最大值是在不相交的观测块上取得的。可替代地,可以选择块以滑动通过观察时段,从而产生更大数量的重叠块。基于滑动块的推理比基于不相交块的推理更有效。Fréchet形状参数的极大似然估计的渐近方差减少了18%以上。有趣的是,无论底层时间序列的串行依赖性如何,效率增益的量都是相同的:对于不相交的块,渐近分布仅通过缩放常数的序列依赖于串行依赖性。模拟实验的结果表明,并适用于估计的高回报水平的标准普尔500股票市场指数的每日日志收益。
2018-02-26 math.ST stat.TH