Forecasting intraday financial time series with sieve bootstrapping and dynamic updating
利用筛法自助法与动态更新预测日内金融时间序列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：摘要明确使用五分钟日内累计收益，研究收益曲线的点预测、区间预测与动态更新。
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
利用筛法自助法与动态更新预测日内金融时间序列
- 研究问题
- 研究如何将日内金融数据视为函数型时间序列，构造下一交易日的点预测与区间预测，并利用逐步到来的日内信息更新预测。
- 方法与思路
- 作者采用既有筛法 bootstrap 构造一步日度预测，再实施两种动态更新方法，并以澳大利亚股票指数五分钟累计收益验证。
- 材料陈述的贡献
- 摘要展示筛法 bootstrap 与动态更新结合的函数型预测应用，并称更新旨在提高准确性；未给出各方法改善幅度。
- 阅读关注点
- 应核对函数曲线的构造、筛法截断与重抽样步骤、两种更新方法如何使用新信息，以及区间覆盖率和预测误差的评价。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明无模型表述背后的统计条件，也未报告具体预测误差或覆盖率。
原文摘要
Intraday financial data often take the form of a collection of curves that can be observed sequentially over time, such as intraday stock price curves. These curves can be viewed as a time series of functions observed on equally spaced and dense grids. Due to the curse of dimensionality, high-dimensional data poses challenges from a statistical aspect; however, it also provides opportunities to analyze a rich source of information so that the dynamic changes within short-time intervals can be better understood. We consider a sieve bootstrap method of Paparoditis and Shang (2022) to construct one-day-ahead point and interval forecasts in a model-free way. As we sequentially observe new data, we also implement two dynamic updating methods to update point and interval forecasts for achieving improved accuracy. The forecasting methods are validated through an empirical study of 5-minute cumulative intraday returns of the S&P/ASX All Ordinaries Index.