Multiscale Causal Structure Learning
多尺度因果结构学习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：摘要明确分析多时间序列的即时与滞后结构，并应用于全球股票市场风险，支持时间序列和金融风险分类。
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…
多尺度因果结构学习
- 研究问题
- 多个时间序列在不同时间尺度上存在哪些即时与滞后关系，这些关系如何用于刻画疫情期间全球股票市场的风险联动？
- 方法与思路
- 作者提出 MS-CASTLE，将平稳小波变换与非凸优化结合，估计多尺度线性因果结构，并包含单尺度模型作为特例。
- 材料陈述的贡献
- 摘要称，单尺度版本在合成数据上表现较好，多尺度分析揭示十五个股市的风险关系，其中中期尺度互动最强且最持久。
- 阅读关注点
- 应核对因果方向的识别条件、小波尺度与滞后设定、非凸优化稳定性，以及风险变量定义和比较方法的评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明因果识别条件或比较数值，市场关系也限于所考察时期。
原文摘要
The inference of causal structures from observed data plays a key role in unveiling the underlying dynamics of the system. This paper exposes a novel method, named Multiscale-Causal Structure Learning (MS-CASTLE), to estimate the structure of linear causal relationships occurring at different time scales. Differently from existing approaches, MS-CASTLE takes explicitly into account instantaneous and lagged inter-relations between multiple time series, represented at different scales, hinging on stationary wavelet transform and non-convex optimization. MS-CASTLE incorporates, as a special case, a single-scale version named SS-CASTLE, which compares favorably in terms of computational efficiency, performance and robustness with respect to the state of the art onto synthetic data. We used MS-CASTLE to study the multiscale causal structure of the risk of 15 global equity markets, during covid-19 pandemic, illustrating how MS-CASTLE can extract meaningful information thanks to its multiscale analysis, outperforming SS-CASTLE. We found that the most persistent and strongest interactions occur at mid-term time resolutions. Moreover, we identified the stock markets that drive the risk during the considered period: Brazil, Canada and Italy. The proposed approach can be exploited by financial investors who, depending to their investment horizon, can manage the risk within equity portfolios from a causal perspective.