Simultaneous Change-Point Inference for High-Dimensional Functional Time Series
高维函数型时间序列的同时变点推断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：摘要核心是时间依赖函数型数据的变点检验与定位，并明确应用于高频金融收益，支持结构变化、时间序列和高频计量分类。
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
高维函数型时间序列的同时变点推断
- 研究问题
- 在时间依赖、坐标间相关不受限制且各坐标变点位置不同的高维函数型数据中，如何同时检验变化并定位变点？
- 方法与思路
- 作者以逐坐标累积和统计量配合残差分块乘子自助法，构造全局与坐标检验共用的临界值，并分析检测和定位误差。
- 材料陈述的贡献
- 摘要称建立非渐近高斯近似、强族错误率控制及同时定位界，允许较快维数增长，并展示河流流量和高频金融收益应用。
- 阅读关注点
- 应核对时间依赖与矩条件、块长选择、维数增长和最小变化强度要求，以及共同临界值在混合真假原假设下的控制方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出界的常数、具体增长条件或金融应用中变化的经济解释。
原文摘要
We develop a framework for simultaneous change-point inference of high-dimensional functional time series. The observations are modeled as temporally dependent vectors whose coordinates take values in possibly different separable Hilbert spaces, thereby covering a broad class of functional data. Heterogeneous mean changes may occur at coordinate-specific locations, and the contemporaneous dependence across coordinates is left unrestricted. Our procedure is based on coordinatewise cumulative-sum statistics and a residual block multiplier bootstrap that provides a common critical value for the global test and all coordinatewise decisions. We establish a nonasymptotic Gaussian approximation, quantitative nonasymptotic bounds for strong family-wise error control under arbitrary mixtures of changed and unchanged coordinates, covariance-adaptive detection guarantees, and simultaneous high-probability bounds for change-point localization. The bounds accommodate high-dimensional regimes in which the number of functional coordinates grows exponentially in a power of the sample size. We investigate finite-sample performance in simulations and illustrate the method using river discharge curves and high-frequency financial log returns.