Transformed-Linear Innovations Algorithm for Modeling and Forecasting of Time Series Extremes
用于时间序列极值建模与预测的变换线性新息算法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：摘要直接研究时间序列的新息算法、移动平均模型和 Wold 分解，分类依据是时间序列方法。
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
用于时间序列极值建模与预测的变换线性新息算法
- 研究问题
- 如何将经典新息算法推广到非负正则变动时间序列，使其同时支持极端事件预测、移动平均模型估计与尾部依赖建模？
- 方法与思路
- 作者构造变换线性组合的内积空间，借助其与希尔伯特空间的联系和投影定理，推导递归预测算法及移动平均参数估计方法。
- 材料陈述的贡献
- 摘要称建立了极值版新息算法与 Wold 分解，给出无限阶移动平均模型的尾部依赖逼近结果，并以模拟展示建模能力。
- 阅读关注点
- 应核对正则变动与变换运算的具体条件、最佳预测的判据、稠密性采用的距离，以及参数估计和尾部依赖模拟的实现方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明定理完整条件，也不能据模拟判断一般预测优势。
原文摘要
The innovations algorithm is a classical recursive forecasting algorithm used in time series analysis. We develop the innovations algorithm for a class of nonnegative regularly varying time series models constructed via transformed-linear arithmetic. In addition to providing the best linear predictor, the algorithm also enables us to estimate parameters of transformed-linear regularly-varying moving average (MA) models, thus providing a tool for modeling. We first construct an inner product space of transformed-linear combinations of nonnegative regularly-varying random variables and prove its link to a Hilbert space which allows us to employ the projection theorem, from which we develop the transformed-linear innovations algorithm. Turning our attention to the class of transformed linear MA($\infty$) models, we give results on parameter estimation and also show that this class of models is dense in the class of possible tail pairwise dependence functions (TPDFs). We also develop an extremes analogue of the classical Wold decomposition. Simulation study shows that our class of models captures tail dependence for the GARCH(1,1) model and a Markov time series model, both of which are outside our class of models.