Adaptive Long-Run Variance Thresholding for Sparse Covariance Estimation in High-Dimensional Time Series
高维时间序列稀疏协方差估计的自适应长期方差阈值法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：摘要直接研究弱依赖高维时间序列的协方差估计及自相关对阈值方法的影响。
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
高维时间序列稀疏协方差估计的自适应长期方差阈值法
- 研究问题
- 时间依赖改变样本协方差波动后，如何为高维稀疏协方差矩阵设置逐元素阈值，并保证估计一致性及非零支持恢复？
- 方法与思路
- 作者将长期方差纳入逐元素阈值，使稀疏协方差估计适应时间依赖，并在弱依赖条件下研究谱范数误差与支持恢复。
- 材料陈述的贡献
- 摘要称，方法在正则条件下达到稀疏矩阵类的最优收敛率并一致恢复支持，同时展示独立数据阈值法在自相关下可能失效。
- 阅读关注点
- 应核对弱依赖、稀疏性和非零元素强度条件、长期方差的估计方式，以及最优率、支持恢复与模拟比较各自的适用范围。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给具体速率与正则条件，股票收益应用不足以推断资产定价贡献。
原文摘要
Estimating a sparse covariance matrix is a fundamental problem in high-dimensional statistics. However, thresholding methods developed for independent data are generally not directly applicable to high-dimensional time series, where temporal dependence alters the stochastic behavior of sample covariance estimators. This paper studies sparse covariance matrix estimation for high-dimensional time series under weak dependence. We propose a thresholding procedure that incorporates long-run variance into the construction of entry-specific thresholds, thereby adapting to temporal dependence. Under suitable regularity conditions, we show that the proposed estimator is consistent under the spectral norm and attains the optimal convergence rate over a class of sparse covariance matrices. We further establish support recovery consistency for identifying the nonzero entries of the covariance matrix. In addition, we show that universal and adaptive thresholding methods developed for independent data may fail to recover the support consistently in the presence of autocorrelation. Simulation studies demonstrate that the proposed method compares favorably with existing thresholding estimators in terms of both estimation accuracy and support recovery. Applications to gene expression data and stock return data further illustrate its practical usefulness.