A Riemannian Factor Model for Manifold-Valued Time Series
流形值时间序列的黎曼因子模型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：摘要核心是高维时间序列因子模型，并明确将其应用于股票收益的月度实现协方差，支持一般及金融因子分类。
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
流形值时间序列的黎曼因子模型
- 研究问题
- 高维时间序列的观测位于黎曼流形时，如何兼顾几何非线性与低维因子结构，并估计载荷空间和开展预测？
- 方法与思路
- 作者提出尊重流形几何的因子模型，在维度随样本增长的框架下分析载荷空间估计，并用多类流形模拟及股票协方差应用评估。
- 材料陈述的贡献
- 摘要称在短记忆和强因子条件下获得不依赖维度的根号样本收敛率，金融应用中的因子可解释且预测表现具有竞争力。
- 阅读关注点
- 应核对流形几何与因子定义、强因子和短记忆的具体要求，以及协方差应用中因子解释和预测比较的构造。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实；摘要未说明完整几何条件和预测数值，不能将收敛率推广至任意流形。
原文摘要
We propose a Riemannian factor model (RFM), a novel framework for analyzing potentially high-dimensional time series data observed on Riemannian manifolds. Such time series are encountered in various applications, including economics, finance, medical imaging, and genomics and microbiome research. The proposed model is geometry-aware and accounts for the inherent nonlinearity in the data. In a high-dimensional asymptotic regime, where the manifold dimension is allowed to diverge with the sample size $n$, we establish convergence rates for the estimated loading space. In particular, under short-memory and strong factor conditions, we obtain a dimension-free $n^{-1/2}$ rate, which matches the convergence rate of the high-dimensional linear factor model. Finite-sample performance of the proposed RFM is demonstrated with simulated time series on the Bures--Wasserstein manifolds and products of spheres, as well as an application to monthly realized covariances of selected U.S. stock returns---modeled as time series in the Bures--Wasserstein manifold, where the RFM provides demonstrably interpretable factors and yields competitive predictive performance.