DeepVARwT: Deep Learning for a VAR Model with Trend
DeepVARwT：含趋势向量自回归模型的深度学习估计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：摘要直接研究含趋势VAR的时间序列建模与预测表现，因此归入时间序列和预测方向，但不据此推断存在宏观冲击识别。
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
DeepVARwT：含趋势向量自回归模型的深度学习估计
- 研究问题
- 当多个时间序列同时包含确定性趋势和动态依赖时，如何联合估计两者，并减少先去趋势再拟合模型所带来的误差？
- 方法与思路
- 作者提出用长短期记忆网络联合进行趋势与依赖结构的最大似然估计，并通过自回归系数变换施加保证模型稳定性的因果性条件。
- 材料陈述的贡献
- 摘要称该方法将趋势估计与VAR估计结合，并通过模拟检验参数和趋势恢复情况，在真实数据中比较预测表现，但未报告具体比较结果。
- 阅读关注点
- 应核对趋势与动态参数的网络表示、似然设定及稳定性约束，尤其关注联合估计的识别条件和预测比较是否采用一致的验证方案。
- 阅读边界
- 这是arXiv预印本，不能据此确认同行评审或期刊接收；摘要未说明理论保证与预测优势幅度，模型因果性条件也不等于因果效应识别。
原文摘要
The vector autoregressive (VAR) model has been used to describe the dependence within and across multiple time series. This is a model for stationary time series which can be extended to allow the presence of a deterministic trend in each series. Detrending the data either parametrically or nonparametrically before fitting the VAR model gives rise to more errors in the latter part. In this study, we propose a new approach called DeepVARwT that employs deep learning methodology for maximum likelihood estimation of the trend and the dependence structure at the same time. A Long Short-Term Memory (LSTM) network is used for this purpose. To ensure the stability of the model, we enforce the causality condition on the autoregressive coefficients using the transformation of Ansley & Kohn (1986). We provide a simulation study and an application to real data. In the simulation study, we use realistic trend functions generated from real data and compare the estimates with true function/parameter values. In the real data application, we compare the prediction performance of this model with state-of-the-art models in the literature.