High-dimensional time series segmentation via factor-adjusted vector autoregressive modelling
基于因子调整向量自回归的高维时间序列分段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：摘要明确结合高维时间序列、时变因子结构与变点检测，分别对应时间序列、因子模型和结构变化三个方法方向。
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…
基于因子调整向量自回归的高维时间序列分段
- 研究问题
- 高维时间序列同时存在强序列相关、横截面相关和结构变化时，如何避免仅靠稀疏 VAR，并识别潜在成分中的变点？
- 方法与思路
- 作者用时变因子结构吸收广泛相关性，以分段平稳 VAR 描述剩余特异依赖，再构造处理潜在成分不可观测性的两阶段分段方法。
- 材料陈述的贡献
- 摘要称，在比既有文献更一般的条件下建立潜在成分变点数及位置估计的一致性，并通过模拟与美国蓝筹股数据展示表现。
- 阅读关注点
- 核对因子与特异成分的分离条件、变点间距及变化幅度要求，以及第一阶段估计误差如何影响第二阶段定位精度。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或接收未核实；摘要未列出一致性的具体条件和比较数值，不能认定适用于所有高维序列。
原文摘要
Vector autoregressive (VAR) models are popularly adopted for modelling high-dimensional time series, and their piecewise extensions allow for structural changes in the data. In VAR modelling, the number of parameters grow quadratically with the dimensionality which necessitates the sparsity assumption in high dimensions. However, it is debatable whether such an assumption is adequate for handling datasets exhibiting strong serial and cross-sectional correlations. We propose a piecewise stationary time series model that simultaneously allows for strong correlations as well as structural changes, where pervasive serial and cross-sectional correlations are accounted for by a time-varying factor structure, and any remaining idiosyncratic dependence between the variables is handled by a piecewise stationary VAR model. We propose an accompanying two-stage data segmentation methodology which fully addresses the challenges arising from the latency of the component processes. Its consistency in estimating both the total number and the locations of the change points in the latent components, is established under conditions considerably more general than those in the existing literature. We demonstrate the competitive performance of the proposed methodology on simulated datasets and an application to US blue chip stocks data.