High-Dimensional Matrix-Variate Diffusion Index Models for Time Series Forecasting
用于时间序列预测的高维矩阵扩散指数模型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：摘要明确结合矩阵值时间序列、因子提取和扩散指数模型开展样本外预测。
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…
用于时间序列预测的高维矩阵扩散指数模型
- 研究问题
- 当预测变量是高维矩阵值时间序列且因子结构较弱时，如何提取预测信息，并改善未来结果的样本外预测精度？
- 方法与思路
- 作者用α-PCA提取低维矩阵因子，以迭代最小二乘估计双线性预测回归，并通过监督筛选选择有信息的矩阵行与列。
- 材料陈述的贡献
- 摘要称建立了一致性和渐近正态性，模拟与真实数据中预测精度改善，监督筛选相对标准基准进一步降低样本外均方预测误差。
- 阅读关注点
- 应核对矩阵因子假设、α参数选择和弱因子定义，以及监督筛选的信息时点、预测验证设计和基准方法的调参公平性。
- 阅读边界
- 这是arXiv预印本，不能据此声称已同行评审或期刊接收。摘要未说明具体数据、理论条件和误差数值，不能断言对所有预测任务均更优。
原文摘要
This paper proposes a novel diffusion-index model for forecasting when predictors are high-dimensional matrix-valued time series. We apply an $α$-PCA method to extract low-dimensional matrix factors and build a bilinear regression linking future outcomes to these factors, estimated via iterative least squares. To handle weak factor structures, we introduce a supervised screening step to select informative rows and columns. Theoretical properties, including consistency and asymptotic normality, are established. Simulations and real data show that our method significantly improves forecast accuracy, with the screening procedure providing additional gains over standard benchmarks in out-of-sample mean squared forecast error.