A persistence‐based Wold‐type decomposition for stationary time series
平稳时间序列基于持续性的 Wold 型分解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：摘要直接研究弱平稳时间序列的表示及跨时间尺度方差分解。
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…
平稳时间序列基于持续性的 Wold 型分解
- 研究问题
- 如何按不同持续程度和时间尺度，将弱平稳时间序列分解为互不相关的成分，并据此理解经济与金融序列的方差来源？
- 方法与思路
- 作者构造对过程创新进行平均的等距缩放算子，建立扩展 Wold 分解，并利用各成分互不相关的性质推导持续性方差分解。
- 材料陈述的贡献
- 摘要称，该表示使弱平稳过程能够按持续性分解方差，并通过两项应用展示其分析经济与金融时间序列波动来源的用途。
- 阅读关注点
- 应核对时间尺度与持续程度的对应关系、等距算子的定义和分解成立条件，以及有限样本中各成分与方差份额的估计方式。
- 阅读边界
- 仅依据所给 Crossref 摘要版本；摘要未说明两项应用的具体变量、估计误差或额外条件，互不相关也不意味着具有因果解释。
原文摘要
This paper shows how to decompose weakly stationary time series into the sum, across time scales, of uncorrelated components associated with different degrees of persistence. In particular, we provide an Extended Wold Decomposition based on an isometric scaling operator that makes averages of process innovations. Thanks to the uncorrelatedness of components, our representation of a time series naturally induces a persistence‐based variance decomposition of any weakly stationary process. We provide two applications to show how the tools developed in this paper can shed new light on the determinants of the variability of economic and financial time series.