Time-Series Forecasting: Unleashing Long-Term Dependencies with Fractionally Differenced Data
时间序列预测：利用分数差分保留长期依赖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：摘要明确研究时间序列差分与分类预测，但未说明目标是否为收益，因此不细分为收益预测。
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…
时间序列预测：利用分数差分保留长期依赖
- 研究问题
- 分数差分能否在稳定金融时间序列的同时保留长短期依赖，并在结合新闻情绪的二分类预测中改善模型表现？
- 方法与思路
- 作者对 SPY 金融数据进行分数差分，结合新闻情绪信息构造二分类任务，使用监督分类算法与 ROC AUC、MCC 指标评价。
- 材料陈述的贡献
- 摘要称，在所考察的经验分析中，分数差分相较整数差分表现更好；这一比较依据分类评价指标，具体提升幅度未列出。
- 阅读关注点
- 应核对二分类目标的定义、差分阶数选择、新闻与价格信息的时间对齐，以及样本外划分、信息泄漏控制和比较基准。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未定义分类目标或检验设计，不能推出收益预测或交易表现。
原文摘要
This study introduces a novel forecasting strategy that leverages the power of fractional differencing (FD) to capture both short- and long-term dependencies in time series data. Unlike traditional integer differencing methods, FD preserves memory in series while stabilizing it for modeling purposes. By applying FD to financial data from the SPY index and incorporating sentiment analysis from news reports, this empirical analysis explores the effectiveness of FD in conjunction with binary classification of target variables. Supervised classification algorithms were employed to validate the performance of FD series. The results demonstrate the superiority of FD over integer differencing, as confirmed by Receiver Operating Characteristic/Area Under the Curve (ROCAUC) and Mathews Correlation Coefficient (MCC) evaluations.