Bootstrap Tests for High-Dimensional White-Noise
高维白噪声的自助检验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：摘要直接研究高维序列白噪声检验，并在股票收益应用中分析共同市场因子。
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
高维白噪声的自助检验
- 研究问题
- 在高维时间序列中，如何构造计算可行且控制第一类错误的白噪声检验，并将其扩展至模型拟合残差的诊断？
- 方法与思路
- 作者提出便于实施的自助检验，对多种统计量建立一致性，讨论功效与残差检验扩展，并通过模拟和股票日收益应用评估。
- 材料陈述的贡献
- 摘要称，新方法在模拟中兼顾错误率控制与较高功效；股票应用提示共同市场因子与股票间相关有关，但未给出量化结果。
- 阅读关注点
- 应核对白噪声的定义、维度增长与依赖条件、自助重抽样方式，以及拟合残差的估计误差如何进入检验有效性分析。
- 阅读边界
- 仅据 OpenAlex 所载摘要，不能把缺乏理论支持情形的模拟优势当作证明；市场因子解释亦不足以独立确认因果关系或版本变化。
原文摘要
The testing of white-noise (WN) is an essential step in time series analysis. In a high dimensional set-up, most existing methods either are computationally infeasible, or suffer from highly distorted Type-I errors, or both. We propose an easy-to-implement bootstrap method for high-dimensional WN test and prove its consistency for a variety of test statistics. Its power properties as well as extensions to WN tests based on fitted residuals are also considered. Simulation results show that compared to the existing methods, the new approach possesses much better power, while maintaining a proper control over the Type-I error. They also provide proofs that even in cases where our method is expected to suffer from lack of theoretical justification, it continues to outperform its competitors. The proposed method is applied to the analysis of the daily stock returns of the top 50 companies by market capitalization listed on the NYSE, and we find strong evidence that the common market factor is the main cause of cross-correlation between stocks.