Regularized Learning for Fractional Brownian Motion via Path Signatures
基于路径签名的分数布朗运动正则化学习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：摘要明确讨论依赖增量过程的时间序列特征构造与学习，未提供金融应用依据。
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…
基于路径签名的分数布朗运动正则化学习
- 研究问题
- 面对由 Hurst 参数控制增量依赖与路径粗糙度的分数布朗运动数据，路径签名与 Lasso 能否支持有效学习及一致性分析？
- 方法与思路
- 作者以迭代路径积分构造签名特征并使用 Lasso，研究签名一、二阶矩界；H 大于二分之一时用 Young 定义，小于时用 Stratonovich 解释。
- 材料陈述的贡献
- 摘要称，文章研究 H 不等于二分之一时的签名 Lasso 一致性，并通过模拟展示其在合成及真实数据上优于传统回归的可能性。
- 阅读关注点
- 应核对不同 H 范围内签名积分的定义条件、签名截断阶数与正则化选择，以及矩界如何支持一致性和比较实验的评价目标。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要未列出一致性的完整条件、积分构造细节或真实数据类型，不能确认普遍优势。
原文摘要
Fractional Brownian motion (fBm) extends classical Brownian motion by introducing dependence between increments, governed by the Hurst parameter $H\in (0,1)$. Unlike traditional Brownian motion, the increments of an fBm are not independent. Paths generated by fractional Brownian motions can exhibit significant irregularity, particularly when the Hurst parameter is small. As a result, classical regression methods may not perform effectively. Signatures, defined as iterated path integrals of continuous and discrete-time processes, offer a universal nonlinearity property that simplifies the challenge of feature selection in time series data analysis by effectively linearizing it. Consequently, we employ Lasso regression techniques for regularization when handling irregular data. To evaluate the performance of signature Lasso on fractional Brownian motion (fBM), we study its consistency when the Hurst parameter $ H \ne \frac{1}{2} $. This involves deriving bounds on the first and second moments of the signature. For the case $ H > \frac{1}{2} $, we use the signature defined in the Young sense, while for $ H < \frac{1}{2} $, we use the Stratonovich interpretation. Simulation results indicate that signature Lasso can outperform traditional regression methods for synthetic data as well as for real-world datasets.