White noise testing for functional time series via functional quantile autocorrelation
基于函数型分位数自相关的函数型时间序列白噪声检验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。
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：摘要研究函数型时间序列的序列依赖，并明确应用于高频金融数据。
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…
基于函数型分位数自相关的函数型时间序列白噪声检验
- 研究问题
- 对于可能包含离群值和复杂非线性依赖的函数型时间序列，如何摆脱经典自协方差的局限，构造无需矩条件的序列依赖检验？
- 方法与思路
- 作者以分位数越界集合构造函数型分位数自相关及综合检验统计量，分别研究已知和估计分位数曲线下的渐近性质。
- 材料陈述的贡献
- 摘要称，检验无需矩条件，具有渐近分布与一致性；模拟及高频金融函数型数据应用展示了对复杂依赖的检测能力。
- 阅读关注点
- 应核对白噪声零假设究竟排除哪些依赖、分位数和滞后如何选择、估计曲线如何影响极限分布，以及其他依赖条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已获同行评审或接收；无需矩条件不代表无需其他假设，摘要未列明完整条件及功效比较设定。
原文摘要
We introduce a novel class of nonlinear tests for serial dependence in functional time series, grounded in the functional quantile autocorrelation framework. Unlike traditional approaches based on the classical autocovariance kernel, the functional quantile autocorrelation framework leverages quantile-based excursion sets to robustly capture temporal dependence within infinite-dimensional functional data, accommodating potential outliers and complex nonlinear dependencies. We propose omnibus test statistics and study their asymptotic properties under both known and estimated quantile curves, establishing their asymptotic distribution and consistency under mild assumptions. In particular, no moment conditions are required for the validity of the tests. Extensive simulations and an application to high-frequency financial functional time series demonstrate the methodology's effectiveness, reliably detecting complex serial dependence with superior power relative to several existing tests. This work expands the toolkit for functional time series, providing a robust framework for inference in settings where traditional methods may fail.