Spatio-temporal autoregressions for high dimensional matrix-valued time series
高维矩阵值时间序列的时空自回归模型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。
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：摘要以矩阵值时间序列的自回归建模与估计为核心，属时间序列方向；应用动机为日内5分钟交易量曲线预测，直接对应高频计量。
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…
高维矩阵值时间序列的时空自回归模型
- 研究问题
- 摘要称，研究如何对矩阵值时间序列同时刻画空间与时间动态，并用于预测日内交易量曲线；核心难点是时空自回归中的内生性使普通最小二乘估计不一致。
- 方法与思路
- 作者提出两个矩阵时间序列时空自回归模型，行对应跨资产的同步5分钟区间、列对应单资产日内曲线；在Yule-Walker方程基础上构造广义矩框架下的迭代广义Yule-Walker估计量，同时估计两个带状权重矩阵，并针对双带宽设定设计两步、基于比值的序贯估计程序。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：将空间与时间动态同时纳入矩阵时间序列建模；提出可同时估计两个带状权重矩阵的迭代广义Yule-Walker估计量；并给出适应双带宽设定的两步比值序贯估计流程。
- 阅读关注点
- 应核对模型的具体设定与识别条件、两个权重矩阵带状结构的假设、迭代广义Yule-Walker估计量的一致性与渐近分布、双带宽两步比值程序的选择准则，以及交易量曲线预测的实证设计与评价方式。
- 阅读边界
- 仅凭摘要无法判断估计量的理论性质、带宽选择的理论保证、模拟与实证结果，也未说明数据来源与预测精度；摘要未说明是否已同行评审。
原文摘要
Motivated by predicting intraday trading volume curves, we consider two spatio-temporal autoregressive models for matrix time series, in which each column may represent daily trading volume curve of one asset, and each row captures synchronized 5-minute volume intervals acrossmultiple assets. While traditional matrix time series focus mainly on temporal evolution, our approach incorporates both spatial and temporal dynamics, enabling simultaneous analysis of interactions across multiple dimensions. The inherent endogeneity in spatio-temporal autoregressive models renders ordinary least squares estimation inconsistent. To overcome this difficulty while simultaneously estimating two distinct weight matrices with banded structure, we develop an iterated generalized Yule-Walker estimator by adapting a generalized method of moments framework based on Yule-Walker equations. Moreover, unlike conventional models that employ a single bandwidth parameter, the dual-bandwidth specification in our framework requires a new two-step, ratio-based sequential estimation procedure.