Large-Scale Curve Time Series with Common Stochastic Trends
具有共同随机趋势的大规模曲线时间序列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：摘要直接研究曲线时间序列、共同随机趋势及双层函数因子模型。
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…
具有共同随机趋势的大规模曲线时间序列
- 研究问题
- 对于大量随时间观测的曲线，如何提取共同随机趋势与函数载荷、确定趋势数量，并在维度和样本量共同增长时建立推断理论？
- 方法与思路
- 作者采用双层函数因子结构，分别建模观测曲线和潜在曲线，再通过函数主成分分析估计趋势与载荷，并讨论非平稳因子的协整。
- 材料陈述的贡献
- 摘要称，论文建立估计量的均方收敛与极限分布理论，提出一致选择共同趋势数量的准则，并以模拟、温度曲线和股票价格曲线展示。
- 阅读关注点
- 应核对双层因子的识别与归一化、共同趋势数量准则，以及曲线观测方式、维度增长和协整结构对估计误差与极限理论的影响。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明完整正则条件、离散曲线处理或实证结果，不能据此推断预测优势。
原文摘要
This paper studies high-dimensional curve time series with common stochastic trends. A dual functional factor model structure is adopted with a high-dimensional factor model for the observed curve time series and a low-dimensional factor model for the latent curves with common trends. A functional PCA technique is applied to estimate the common stochastic trends and functional factor loadings. Under some regularity conditions we derive the mean square convergence and limit distribution theory for the developed estimates, allowing the dimension and sample size to jointly diverge to infinity. We propose an easy-to-implement criterion to consistently select the number of common stochastic trends and further discuss model estimation when the nonstationary factors are cointegrated. Extensive Monte-Carlo simulations and two empirical applications to large-scale temperature curves in Australia and log-price curves of S&P 500 stocks are conducted, showing finite-sample performance and providing practical implementations of the new methodology.