Fast inversion of the generalized Fisher transformation of correlation matrices
广义 Fisher 变换下相关矩阵的快速逆变换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：摘要明确以动态相关与多元波动率模型为应用背景，属波动率方向；其矩阵对数与相关矩阵的时序建模语境也与时间序列相关。
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…
关注这篇论文的作者
广义 Fisher 变换下相关矩阵的快速逆变换
- 研究问题
- 摘要称，广义 Fisher 变换把非奇异相关矩阵通过其矩阵对数的非对角元映射为无约束实向量，其逆变换是动态相关与多元波动率模型中的计算瓶颈；本文研究如何快速、稳健地求该逆变换。
- 方法与思路
- 作者提出把未知对角元刻画为一个光滑、严格凸且强制的目标函数的极小点，给出显式 Hessian 与全局谱界，从而把标准不动点迭代解释为准牛顿方法，并据此构造不动点与无矩阵牛顿步的混合算法 GFT-FP+N，不显式构造 Jacobian。
- 材料陈述的贡献
- 摘要称证明了每个不动点步都使目标下降、迭代从任意起点收敛，并解释了接近奇异时收敛慢的原因；基准实验中 GFT-FP+N 相对不动点迭代最多缩短约四十五倍计算时间，在所有重复中收敛，包括 Broyden 方法几乎总失败的设计，并提供 Julia 与 R 包。
- 阅读关注点
- 应核对目标函数凸性与强制性的证明条件、谱界的具体形式、混合算法中牛顿步的触发与收敛判据，以及基准设计（维度、重复数、比较对象与计时口径）是否支持摘要所述加速倍数与收敛结论。
- 阅读边界
- 仅凭摘要无法判断证明细节、数值结果的可复现性、与未列方法的比较公平性及实际模型中的表现；该文为 arXiv 预印本，未经核实同行评审或期刊接收，版本内容可能变动。
原文摘要
The generalized Fisher transformation maps a non-singular correlation matrix to an unconstrained real vector through the off-diagonal elements of its matrix logarithm. Evaluating its inverse is a computational bottleneck in dynamic correlation and multivariate volatility models. We develop a fast inversion algorithm by characterizing the unknown diagonal as the minimizer of a smooth, strictly convex, and coercive objective. An explicit Hessian and global spectral bounds identify the standard fixed-point iteration as a quasi-Newton method and explain why it can converge slowly near singularity. Every fixed-point step decreases the objective, and the iteration converges from every starting point. These results motivate GFT-FP+N, a hybrid of fixed-point and matrix-free Newton steps that never forms the Jacobian. In benchmarks with up to 1,000 replications per design and dimensions up to 800, GFT-FP+N reduces computation time by up to a factor of forty-five relative to the fixed-point iteration and converged in every replication, including on designs where Broyden's method almost always fails. Julia and R packages are provided.