Prediction in Locally Stationary Time Series
局部平稳时间序列的预测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：摘要围绕局部平稳及非平稳时间序列的协方差估计和一致预测展开，直接支持时间序列与预测方向，金融指数仅为应用示例。
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
局部平稳时间序列的预测
- 研究问题
- 对于包含平滑变化趋势的局部平稳时间序列，如何估计高维协方差并构造一致预测，同时避免依赖自回归模型设定？
- 方法与思路
- 作者先估计具有平滑变化趋势的局部平稳过程之高维协方差矩阵，再利用该估计构造非平稳时间序列的一致预测器。
- 材料陈述的贡献
- 摘要称该方法给出一致预测，不依赖拟合自回归模型，也无需趋势趋于零，并以模拟与金融指数应用展示有限样本表现。
- 阅读关注点
- 核对局部平稳、趋势平滑及维度增长条件，协方差估计如何进入预测器，以及模拟和金融指数应用采用的预测期与比较标准。
- 阅读边界
- 摘要未说明局部平稳与趋势平滑的具体条件、维度增长速度、调参方式或预测误差数值，不能据此判断其相对预测优势。
原文摘要
We develop an estimator for the high-dimensional covariance matrix of a locally stationary process with a smoothly varying trend and use this statistic to derive consistent predictors in nonstationary time series. In contrast to the currently available methods for this problem the predictor developed here does not rely on fitting an autoregressive model and does not require a vanishing trend. The finite sample properties of the new methodology are illustrated by means of a simulation study and a financial indices study. Supplementary materials for this article are available online.