Prediction of Lévy-driven CARMA processes
Lévy 驱动连续时间 ARMA 过程的预测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。
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：摘要明确研究连续时间 ARMA 序列的条件预测与最佳线性预测，支持时间序列和预测方向，未限定金融资产对象。
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
Lévy 驱动连续时间 ARMA 过程的预测
- 研究问题
- 对 Lévy 驱动的连续时间 ARMA 过程，如何利用完整或有限历史预测未来，并在适当条件下恢复驱动过程路径？
- 方法与思路
- 作者推导不同观测历史下的条件期望，区分一阶矩与二阶矩存在的情形，并研究连续历史及规则离散采样的线性预测。
- 材料陈述的贡献
- 摘要称给出条件期望、驱动路径恢复条件及最佳线性预测，并由规则采样预测结果导出离散 ARMA 参数的简单计算算法。
- 阅读关注点
- 应核对各结论所需的矩条件、因果性和平稳性，区分条件期望与最佳线性预测，并检查路径恢复及采样算法的条件。
- 阅读边界
- 仅据所给出版社摘要，无法获得预测公式或恢复路径的完整条件；一阶矩存在时，不能直接宣称预测具有最小均方误差性质。
原文摘要
The conditional expectations, E(Y(h)|Y(u),−∞<u≤0) and E(Y(h)|Y(u),−M≤u≤0) with h>0 and 0<M<∞ are determined for a continuous-time ARMA (CARMA) process (Y(t))t∈R driven by a Lévy process L with E|L(1)|<∞. If E(L(1)2)<∞ these are the minimum mean-squared error predictors of Y(h) given (Y(t))t≤0 and (Y(t))−M≤t≤0 respectively. Conditions are also established under which the sample-path of L can be recovered from that of Y, both when Y is causal and strictly stationary and (without these assumptions) when L is a pure-jump Lévy process. When E(L(1)2)<∞ and Y is causal and strictly stationary the best linear predictors P(Y(h)|Y(u),u≤0) and P(Y(h)|Y(−nΔ),n∈N) are also determined, the latter yielding a simple algorithm for determining the parameters of the ARMA process obtained by sampling the CARMA process at regular intervals.