Recurrent Barycenter Encoder: Prediction, Simulation and Applications to Time Series Analysis
循环重心编码器：预测、模拟及其在时间序列分析中的应用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：摘要以平稳随机过程、创新成分提取与预测采样器为核心，并应用于金融收益序列预测，故对应时间序列、预测与收益预测三个方向。
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
循环重心编码器：预测、模拟及其在时间序列分析中的应用
- 研究问题
- 如何把最优传输重心问题从独立数据扩展到以自身历史为协变量的平稳随机过程，并据此提取过程的创新成分、构建预测采样器？
- 方法与思路
- 摘要称，论文先建立理论框架，证明存在可逆传输映射，可从平稳过程提取分布为条件分布重心的 iid 成分；再实现求解算法，用已知闭式解的经典时间序列模型生成合成数据做检验，并构建预测采样器。
- 材料陈述的贡献
- 作者提出一个将最优传输重心推广到自历史条件分布的框架，并给出可实现的算法与预测采样器；摘要称在合成数据及 S&P 500、比特币 4 小时收益、北大西洋涛动指数等真实序列上评估采样精度，并演示路径模拟应用。
- 阅读关注点
- 应核对可逆传输映射的存在性与唯一性所需假设、重心问题的具体形式与求解算法细节、合成数据检验的模型与评价指标，以及真实数据评估是否支持摘要所称的精度结论。
- 阅读边界
- 仅凭摘要无法判断定理条件、算法收敛性与计算成本，也无法核实实证结果；这是 arXiv 预印本，未经同行评审，不能据此声称已被期刊接收。
原文摘要
This dissertation has two parts. In the first part we theoretically develop a framework that extends the optimal transport barycenter problem from independent data with observed covariates to processes whose relevant covariate is their own history. Given a stationary stochastic process, our framework shows there exists an invertible transport map that extracts from it an iid component whose distribution is the barycenter of the conditional distributions of the input process on its own past. This extracted iid sequence thus captures the innovation or noise component of the process that is not explained by the process's own past. In the second part of this thesis we implement an effective algorithm to solve this problem and test it against synthetic data generated with some well-known models in time series analysis for which the solution is known in closed-form. We then show how this method can be applied to build a predictive sampler for such processes, and assess the accuracy of this predictive sampler both with the aforementioned synthetic data and with real-world time series such as the S&P 500 and Bitcoin 4-hour returns, and the daily records of the North Atlantic Oscillation index from the NOAA Physical Sciences Laboratory. Finally, we demonstrate an application of the sampler to path simulation with a well-known time series model.