Universal Modelling of Autocovariance Functions via Spline Kernels
通过样条核灵活建模自协方差函数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：摘要直接研究弱平稳过程的自协方差函数与谱域建模，属于时间序列方法，未限定为金融波动模型。
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
通过样条核灵活建模自协方差函数
- 研究问题
- 如何构造兼具非参数灵活性、有效协方差性质与闭式表达的自协方差函数，并支持多元、多维及非可分离过程？
- 方法与思路
- 作者对任意次数与节点配置的 B 样条谱基求逆傅里叶变换，构建闭式自协方差函数类，并建立稠密性及 Jackson 型逼近界。
- 材料陈述的贡献
- 摘要称该函数类在温和正则条件下具有 L¹ 稠密性，支持多种过程与自然的非可分离结构，模拟和真实数据展示过程恢复能力。
- 阅读关注点
- 核对谱表示确保协方差有效性的条件、稠密性所用度量与正则要求，以及节点和次数选择、收敛速率及多元扩展。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出具体正则条件、逼近速率或恢复误差，稠密性本身不保证有限样本估计性能。
原文摘要
Flexible modelling of the autocovariance function (ACF) is central to time-series, spatial, and spatio-temporal analysis. Modern applications often demand flexibility beyond classical parametric models, motivating non-parametric descriptions of the ACF. Bochner's Theorem guarantees that any positive spectral measure yields a valid ACF via the inverse Fourier transform; however, existing non-parametric approaches in the spectral domain rarely return closed-form expressions for the ACF itself. We develop a flexible, closed-form class of non-parametric ACFs by deriving the inverse Fourier transform of B-spline spectral bases with arbitrary degree and knot placement. This yields a general class of ACF with three key features: (i) it is provably dense, under an $L^1$ metric, in the space of weakly stationary, mean-square continuous ACFs with mild regularity conditions; (ii) it accommodates univariate, multivariate, and multidimensional processes; and (iii) it naturally supports non-separable structure without requiring explicit imposition. Jackson-type approximation bounds establish convergence rates, and empirical results on simulated and real-world data demonstrate accurate process recovery. The method provides a practical and theoretically grounded approach for constructing a non-parametric class of ACF.