A spectral clustering-type algorithm for the consistent estimation of the Hurst distribution in moderately high dimensions
中等高维下稳健估计 Hurst 分布的谱聚类型算法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：摘要研究时间尺度与 Hurst 指数，并明确应用于宏观时间序列及协整分析。
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…
中等高维下稳健估计 Hurst 分布的谱聚类型算法
- 研究问题
- 如何从高维分形系统中识别 Hurst 分布及尺度指数，并在维度、样本量和尺度同时增长时保证估计的一致性？
- 方法与思路
- 作者结合小波随机矩阵、修改后的谱聚类和聚类精度参数选择步骤，构造 Hurst 分布估计算法并开展模拟与宏观序列应用。
- 材料陈述的贡献
- 摘要称算法在中等高维渐近设定下一致；模拟中优于一个混合高斯聚类方法，并用于宏观时间序列中寻找协整证据。
- 阅读关注点
- 应核对维度、样本量与尺度的增长关系，聚类精度选择的条件，以及 Hurst 分布估计如何支持应用中的协整判断。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收未经核实。摘要未说明增长速率、比较设定及应用细节，不能将模拟优势推广至所有系统。
原文摘要
Scale invariance (fractality) is a prominent feature of the large-scale behavior of many stochastic systems. In this work, we construct an algorithm for the statistical identification of the Hurst distribution (in particular, the scaling exponents) undergirding a high-dimensional fractal system. The algorithm is based on wavelet random matrices, modified spectral clustering and a model selection step for picking the value of the clustering precision hyperparameter. In a moderately high-dimensional regime where the dimension, the sample size and the scale go to infinity, we show that the algorithm consistently estimates the Hurst distribution. Monte Carlo simulations show that the proposed methodology is efficient for realistic sample sizes and outperforms another popular clustering method based on mixed-Gaussian modeling. We apply the algorithm in the analysis of real-world macroeconomic time series to unveil evidence for cointegration.