Parsimonious Modeling of Periodic Time Series Using Fourier and Wavelet Techniques
利用傅里叶与小波技术精简周期时间序列建模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：摘要直接涉及周期金融时间序列、周期 GARCH 模型及预测效率。
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
利用傅里叶与小波技术精简周期时间序列建模
- 研究问题
- 周期性金融时间序列模型常需较多参数，如何借助傅里叶和小波表示减少参数数量，并改善相应模型的预测表现？
- 方法与思路
- 作者提出基于傅里叶与小波的周期序列分析技术，针对周期 GARCH 和周期条件持续期模型参数繁多的问题开展模拟与数据分析。
- 材料陈述的贡献
- 摘要称所提技术得到更简约的模型，并提高预测效率；其有效性通过模拟和数据分析展示，但未列具体比较结果。
- 阅读关注点
- 应核对傅里叶项与小波系数如何进入模型、复杂度选择、周期结构设定，以及预测效率的评价指标和比较基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明具体模型、数据与数值结果，也未提供理论保证，不能确认普遍预测优势。
原文摘要
This paper proposes Fourier-based and wavelet-based techniques for analyzing periodic financial time series. Conventional models such as the periodic autoregressive conditional heteroscedastic (PGARCH) and periodic autoregressive conditional duration (PACD) often involve many parameters. The methods put forward here resulted in more parsimonious models with increased forecast efficiency. The effectiveness of these approaches is demonstrated through simulation and data analysis studies.