Jump and Sharp Cusp Detection by Wavelets
利用小波检测跳跃与尖锐尖点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。
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：摘要主要研究一般带噪函数的特征检测，股票收益应用不足以确定高频、波动率或收益预测分类。
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
利用小波检测跳跃与尖锐尖点
- 研究问题
- 对带噪声观测的函数，如何区分真实跳跃或尖锐尖点与随机波动，并通过细尺度信息开展统计检测？
- 方法与思路
- 作者检查数据的小波变换在细尺度层级上是否出现显著较大的绝对值，并建立渐近理论、讨论实现和开展模拟。
- 材料陈述的贡献
- 摘要称提出跳跃与尖锐尖点检测方法，配套渐近分析和实际实现讨论，并提供模拟例子及股票市场收益数据应用。
- 阅读关注点
- 应核对噪声假设、显著性阈值及跨尺度判断规则，区分跳跃和尖点的检测目标，并查看定位精度与误报控制。
- 阅读边界
- 来源为稿件版本未注明的 OpenAlex 索引摘要；阈值、检测条件和数据频率未说明，不能据此推断高频适用性或收益预测能力。
原文摘要
A method is proposed to detect jumps and sharp cusps in a function which is observed with noise, by checking if the wavelet transformation of the data has significantly large absolute values across fine scale levels. Asymptotic theory is established and practical implementation is discussed. The method is tested on simulated examples, and applied to stock market return data.