High-Dimensional Time Series Segmentation via Factor-Adjusted Vector Autoregressive Modeling
基于因子调整向量自回归的高维时间序列分段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：摘要明确结合高维时间序列、时变因子结构和变点估计，分别对应时间序列、因子模型与结构变化。
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…
基于因子调整向量自回归的高维时间序列分段
- 研究问题
- 如何在同时存在强序列相关、强横截面相关和结构变化的高维时间序列中，识别潜在成分的变点数量与位置？
- 方法与思路
- 作者用时变因子结构刻画广泛相关性，以分段平稳 VAR 描述剩余特质依赖，并设计处理潜在成分不可观测问题的两阶段分段方法。
- 材料陈述的贡献
- 摘要称，方法在较既有文献更一般的条件下具有变点数量及位置估计的一致性，并在模拟和美国蓝筹股数据中展示竞争性表现。
- 阅读关注点
- 应核对因子与特质成分的分离条件、不同成分变点的识别与定位要求，以及第一阶段估计误差如何传递到后续分段。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；所谓更一般条件、定位误差与实证结果未展开，不能据此推断结构冲击识别或收益预测能力。
原文摘要
Vector autoregressive (VAR) models are popularly adopted for modelling high-dimensional time series, and their piecewise extensions allow for structural changes in the data. In VAR modelling, the number of parameters grow quadratically with the dimensionality which necessitates the sparsity assumption in high dimensions. However, it is debatable whether such an assumption is adequate for handling datasets exhibiting strong serial and cross-sectional correlations. We propose a piecewise stationary time series model that simultaneously allows for strong correlations as well as structural changes, where pervasive serial and cross-sectional correlations are accounted for by a time-varying factor structure, and any remaining idiosyncratic dependence between the variables is handled by a piecewise stationary VAR model. We propose an accompanying two-stage data segmentation methodology which fully addresses the challenges arising from the latency of the component processes. Its consistency in estimating both the total number and the locations of the change points in the latent components, is established under conditions considerably more general than those in the existing literature. We demonstrate the competitive performance of the proposed methodology on simulated datasets and an application to US blue chip stocks data.