Statistical inference of lead-lag at various timescales between asynchronous time series from p-values of transfer entropy
基于转移熵 p 值推断异步时间序列在不同尺度上的领先滞后关系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：摘要研究异步序列的领先滞后检验，并明确应用于股票逐笔价格变化，对应时间序列和高频计量。
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…
关注这篇论文的作者
基于转移熵 p 值推断异步时间序列在不同尺度上的领先滞后关系
- 研究问题
- 面对异步长序列和大量序列组合，如何减少转移熵检验的计算负担，并识别信息传递最强及消失时所对应的时间尺度？
- 方法与思路
- 作者推导比较两条源序列对目标序列转移熵大小的渐近检验分布，检验小样本收敛，并用时间移位转移熵分析逐笔股价。
- 材料陈述的贡献
- 摘要提出转移熵比较检验及时间尺度分析方法，并称在数百只股票的逐笔价格变化中构造出具有统计验证的非平凡关系网络。
- 阅读关注点
- 核对渐近分布所需依赖条件、异步观测的处理和小样本校准，以及大量股票对与多个时滞同时检验时如何控制误报。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出检验条件与网络数值，转移熵关系也不能直接确认为因果或可交易信号。
原文摘要
Symbolic transfer entropy is a powerful non-parametric tool to detect lead-lag between time series. Because a closed expression of the distribution of Transfer Entropy is not known for finite-size samples, statistical testing is often performed with bootstraps whose slowness prevents the inference of large lead-lag networks between long time series. On the other hand, the asymptotic distribution of Transfer Entropy between two time series is known. In this work, we derive the asymptotic distribution of the test for one time series having a larger Transfer Entropy than another one on a target time series. We then measure the convergence speed of both tests in the small sample size limits via benchmarks. We then introduce Transfer Entropy between time-shifted time series, which allows to measure the timescale at which information transfer is maximal and vanishes. We finally apply these methods to tick-by-tick price changes of several hundreds of stocks, yielding non-trivial statistically validated networks.