Multiple change point detection based on Hodrick-Prescott and $l_1$ filtering method for random walk time series data
基于 HP 与 l₁ 滤波的随机游走时间序列多变点检测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：摘要明确针对随机游走时间序列开展多变点检测，因此对应时间序列与结构变化方法。
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
基于 HP 与 l₁ 滤波的随机游走时间序列多变点检测
- 研究问题
- 对于具有非平稳性和方差变化挑战的随机游走时间序列，如何借助趋势滤波检测多个变点，并选择影响检测结果的调节参数？
- 方法与思路
- 作者结合 HP 与 l₁ 趋势滤波：前者采用基于指数分布假设的概率阈值选参，后者采用正态性假设下的策略，并估计时间片段内的最大变点数。
- 材料陈述的贡献
- 摘要称，文章提出两类滤波检测及调参方法和最大变点数估计技术，通过模拟与 PELT 等方法比较，并以股票数据展示实际应用。
- 阅读关注点
- 应核对检测的是何种结构变化、指数与正态分布假设分别作用于什么统计量，以及调参和分段规则；还需检查不同变化类型下的误报与漏报。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明分布假设的具体对象、检测理论和比较数值，股票案例也不足以证明普遍有效。
原文摘要
We propose new methods for detecting multiple change points in time series, specifically designed for random walk processes, where stationarity and variance changes present challenges. Our approach combines two trend estimation methods: the Hodrick Prescott (HP) filter and the l1 filter. A major challenge in these methods is selecting the tuning parameter lambda, which we address by introducing two selection techniques. For the HP based change point detection, we propose a probability-based threshold to select lambda under the assumption of an exponential distribution. For the l1 based method, we suggest a selection strategy assuming normality. Additionally, we introduce a technique to estimate the maximum number of change points in time segments using the l1 based method. We validate our methods by comparing them to similar techniques, such as PELT, using simulated data. We also demonstrate the practical application of our approach to real-world SNP stock data, showcasing its effectiveness in detecting change points.