Detecting Structural Shifts and Estimating Change-Points in Interval-Based Time Series
区间型时间序列的结构变化检测与变点估计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：摘要明确研究区间型时间序列的结构变化与变点估计；金融应用未进一步明确波动率或收益预测目标。
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…
区间型时间序列的结构变化检测与变点估计
- 研究问题
- 相较仅使用开盘与收盘信息，如何利用每日开盘、最高、最低及收盘观测开展变点分析，并处理时间依赖下的估计不确定性？
- 方法与思路
- 作者建立随机微分方程模型，利用反射原理与 Girsanov 定理推导联合分布，以 Newton–Raphson 求极大似然并构造参数自助区间。
- 材料陈述的贡献
- 摘要称提出区间型序列的似然变点分析及参数自助法，并在模拟和俄乌战争期间标普五百数据中报告优于开收盘模型的表现。
- 阅读关注点
- 应核对联合分布及变点参数的设定、似然优化的稳定性，以及参数自助法如何同时保留时间依赖和区间观测之间的关系。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与期刊接收状态未核实；摘要未说明变点一致性条件、模型失配影响或比较结果数值。
原文摘要
This paper addresses the open problem of conducting change-point analysis for interval-valued time series data using the maximum likelihood estimation (MLE) framework. Motivated by financial time series, we analyze data that includes daily opening (O), up (U), low (L), and closing (C) values, rather than just a closing value as traditionally used. To tackle this, we propose a fundamental model based on stochastic differential equations, which also serves as a transformation of other widely used models, such as the log-transformed geometric Brownian motion model. We derive the joint distribution for these interval-valued observations using the reflection principle and Girsanov's theorem. The MLE is obtained by optimizing the log-likelihood function through first and second-order derivative calculations, utilizing the Newton-Raphson algorithm. We further propose a novel parametric bootstrap method to compute confidence intervals, addressing challenges related to temporal dependency and interval-based data relationships. The performance of the model is evaluated through extensive simulations and real data analysis using S&P500 returns during the 2022 Russo-Ukrainian War. The results demonstrate that the proposed OULC model consistently outperforms the traditional OC model, offering more accurate and reliable change-point detection and parameter estimates.