Tail-robust estimation of factor-adjusted vector autoregressive models for high-dimensional time series
高维时间序列中因子调整向量自回归模型的厚尾稳健估计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：摘要明确使用因子调整 VAR 建模高维动态，并以宏观指标预测为应用，支持时间序列、因子模型与预测三个方向。
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
高维时间序列中因子调整向量自回归模型的厚尾稳健估计
- 研究问题
- 如何在高维厚尾时间序列中同时估计少数共同因子与剩余变量间的稀疏动态联系，并刻画尾部厚度对估计速率的影响？
- 方法与思路
- 作者先逐元素截断数据，再以两阶段方法估计潜在因子和 VAR 参数矩阵，在仅存在特定低阶矩的条件下推导估计速率。
- 材料陈述的贡献
- 摘要称，速率显式体现厚尾参数的作用，并在该参数趋近一时接近轻尾情形；模拟与宏观指标预测展示了有竞争力的表现。
- 阅读关注点
- 应核对截断阈值、因子强度、稀疏性及时间依赖条件，并区分因子与 VAR 估计误差，检查预测评价和厚尾场景的设置。
- 阅读边界
- 仅据 arXiv 预印本摘要，同行评审或期刊接收未核实；除矩条件外的完整假设、具体速率及预测性能数值未说明。
原文摘要
We study the problem of modelling high-dimensional, heavy-tailed time series data via a factor-adjusted vector autoregressive (VAR) model, which simultaneously accounts for pervasive co-movements of the variables by a handful of factors, as well as their remaining interconnectedness using a sparse VAR model. To handle heavy tails, we propose an element-wise data truncation step followed by a two-stage estimation procedure for estimating the latent factors and the VAR parameter matrices. Assuming the existence of the $(2 + 2ε)$-th moment only for some $ε\in (0, 1)$, we derive the rates of estimation which, making explicit the effect of heavy tails through $ε$, are comparable to the rates attainable in light-tailed settings as $ε\to 1$. Numerically, we demonstrate the competitive performance of the proposed estimators on simulated datasets and in an application to forecasting macroeconomics indicators.