Model-agnostic noise reduction for high-dimensional time series data
高维时间序列的模型无关降噪AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究高维时间序列去噪、一步预测表现及宏观指标应用，直接对应时间序列和预测，未明确采用因子模型。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
高维时间序列的模型无关降噪
- 研究问题
- 高维时间序列被观测白噪声污染时，如何恢复低维潜在动态成分，并明确线性投影的最优目标和残余误差来源？
- 方法与思路
- 作者假定潜在动态位于低维线性子空间，利用滞后协方差估计子空间与最优投影，以 bootstrap 选维并低秩表示结构性噪声。
- 材料陈述的贡献
- 摘要称刻画最优投影及残差几何结构，并给出去噪序列的参数速率；模拟中重建与一步预测改善，另有金融和宏观示例。
- 阅读关注点
- 核对白噪声与信号的关系、最优投影目标、低秩噪声限制，以及维度选择、收敛条件和预测比较的具体设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；模型无关仍有线性动态子空间等限制，摘要未列完整条件或改善幅度。
原文摘要
We develop a model-agnostic framework for noise reduction in high-dimensional time series that explicitly targets optimal recovery of a low-dimensional latent dynamic component contaminated by observational white noise. Under the assumption that the latent dynamics live in a low-dimensional linear dynamic subspace, we characterize the optimal linear projection onto the dynamic subspace and provide a geometric description of the residual error in terms of the relative orientation of the signal and noise spaces. We propose estimators for the dynamic subspace and the optimal projection based on lagged covariance matrices, bootstrap dimension selection, and a low-rank representation of the structured noise. Under mild conditions, the resulting denoised series is shown to converge to its population target at the usual parametric rate. Simulations show that the proposed method can substantially improve subspace estimation, reconstruction error, and one-step-ahead forecast accuracy compared with both orthogonal projection-based denoising and the raw data. The approach is illustrated by empirical applications to high-dimensional stock returns and to a 20-variate time series of macroeconomic indicators.