Wishart kernel density estimation for strongly mixing time series on the cone of positive definite matrices
正定矩阵锥上强混合时间序列的 Wishart 核密度估计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收益构造已实现协方差矩阵，并估计其时间序列边际密度。
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…
正定矩阵锥上强混合时间序列的 Wishart 核密度估计
- 研究问题
- 论文研究如何对正定矩阵值依赖数据估计密度，在尊重矩阵空间边界的同时，获得误差、相合性和渐近分布的理论刻画。
- 方法与思路
- 作者构造边界感知的 Wishart 核密度估计，在适当混合条件下分析渐近性质，并与对数高斯及普通高斯核估计进行模拟比较。
- 材料陈述的贡献
- 摘要称建立均方误差、扩张紧集上一致强相合性和渐近正态性；模拟中总体准确性与稳定性较好，并应用于高频收益的已实现协方差。
- 阅读关注点
- 应核对密度所用测度、混合与带宽条件、靠近奇异边界的表现，以及模拟评价标准和五分钟收益构造协方差矩阵的方式。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出具体正则条件，首次研究及模拟优势等陈述未经独立核验。
原文摘要
A Wishart kernel density estimator (KDE) is introduced for density estimation in the cone of positive definite matrices. The estimator is boundary-aware and mitigates the boundary bias suffered by conventional KDEs, while remaining simple to implement. Its mean squared error, uniform strong consistency on expanding compact sets, and asymptotic normality are established under the Lebesgue measure and suitable mixing conditions. This work represents the first study of density estimation for dependent data on this space under any metric. For independent observations, an asymptotic upper bound on the mean absolute error is also derived. A simulation study compares the performance of the Wishart KDE with that of the log-Gaussian KDE, another boundary-aware estimator based on the matrix-variate lognormal distribution proposed by Schwartzman [Int. Stat. Rev., 2016, 84(3), 456--486], and with the naive Gaussian KDE on the ambient Euclidean space. When estimating the stationary marginal density of a Wishart autoregressive process for several autoregressive coefficient matrices and innovation covariance matrices, the Wishart KDE exhibits the best overall accuracy and stability. The practical utility of the Wishart KDE is illustrated by estimating the marginal density of a one-year time series of realized covariance matrices computed from 5-minute intra-day returns on Amazon Corp. shares and on the Standard & Poor's 500 exchange-traded fund. All code is publicly available via the R package ksm to facilitate implementation of the method and reproducibility of the findings.