Generalized dynamic semi‐parametric factor models for high‐dimensional non‐stationary time series
高维非平稳时间序列的广义动态半参数因子模型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：摘要直接提出高维非平稳时间序列的动态半参数因子模型，研究趋势提取、共同因子与依赖过程推断。
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…
高维非平稳时间序列的广义动态半参数因子模型
- 研究问题
- 面对兼有复杂趋势与随机动态的高维非平稳时间序列，如何提取趋势并降维，同时为去趋势后的随机过程提供有效推断？
- 方法与思路
- 作者采用两步估计：以平滑函数主成分构造载荷，通过时间基的变量选择提取趋势，再对去趋势后的低维随机过程分析。
- 材料陈述的贡献
- 摘要称，论文在β-mixing或m-dependent依赖及误差弱横截面相关情形下给出非渐近性质，并论证后续推断与展示温度动态应用。
- 阅读关注点
- 应核对趋势与随机成分的区分、平滑及变量选择方案，以及依赖条件、非渐近误差界和第一步估计对后续推断的影响。
- 阅读边界
- 摘要未列出具体误差界、调参方法或模拟数值；中国温度应用与天气衍生品定价相关，但未提供直接的定价效果证据。
原文摘要
High‐dimensional non‐stationary time series, which reveal both complex trends and stochastic behaviour, occur in many scientific fields, e.g. macroeconomics, finance, neuroeconomics, etc. To model these, we propose a generalized dynamic semi‐parametric factor model with a two‐step estimation procedure. After choosing smoothed functional principal components as space functions (factor loadings), we extract various temporal trends by employing variable selection techniques for the time basis (common factors). Then, we establish this estimator's non‐asymptotic statistical properties under the dependent scenario (β‐mixing and m‐dependent) with the weakly cross‐correlated error term. At the second step, we obtain a detrended low‐dimensional stochastic process that exhibits the dynamics of the original high‐dimensional (stochastic) objects and we further justify statistical inference based on this. We present an analysis of temperature dynamics in China, which is crucial for pricing weather derivatives, in order to illustrate the performance of our method. We also present a simulation study designed to mimic it.