Jump and sharp cusp detection by wavelets
利用小波检测跳跃与尖锐突点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：摘要研究含噪函数的局部形状检测；股票收益示例不足以确认高频计量、波动率或经济模型结构变化方向。
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
利用小波检测跳跃与尖锐突点
- 研究问题
- 当函数只能在噪声下被观测时，如何识别其中的跳跃和尖锐突点，并利用细尺度小波信息区分局部异常与随机波动？
- 方法与思路
- 作者检验数据的小波变换在多个细尺度上的绝对值是否显著偏大，建立渐近理论并讨论实现，使用模拟及股票收益数据示例。
- 材料陈述的贡献
- 摘要明确提出一套跳跃与尖锐突点检测方法，提供渐近分析、实施讨论和数据示例，但没有报告检测准确率或比较优势。
- 阅读关注点
- 应核对跳跃与尖锐突点的定义、噪声假设、尺度选择和显著性阈值，以及股票收益应用中被检测对象的具体解释。
- 阅读边界
- 仅据版本未注明的索引摘要；采样频率和噪声条件未说明，不能据股票收益示例断言方法适用于高频价格跳跃或收益预测。
原文摘要
A method is proposed to detect jumps and sharp cusps in a function which is observed with noise, by checking if the wavelet transformation of the data has significantly large absolute values across fine scale levels. Asymptotic theory is established and practical implementation is discussed. The method is tested on simulated examples, and applied to stock market return data.