Multiscale Dynamic Dependence Estimation over Networks
网络上的多尺度动态依赖估计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：摘要应用于全球银行股票价格波动率，并分析重大金融冲击期间的系统性依赖变化。
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…
网络上的多尺度动态依赖估计
- 研究问题
- 当多变量时间序列的二阶特征随时间变化，且跨节点依赖受到网络结构约束时，如何估计不同时间尺度上的局部依赖关系？
- 方法与思路
- 作者提出网络局部平稳小波过程，将图结构直接写入随机增量的协方差，并利用子过程估计局部相关、偏相关及逆小波谱结构。
- 材料陈述的贡献
- 摘要称，作者连接缺失边与逆谱中的零元素，建立估计一致性；全球银行波动率应用揭示金融冲击期间的多尺度依赖变化。
- 阅读关注点
- 应核对局部平稳与图结构条件、缺失边和零偏相关的对应关系，以及一致性适用范围和银行网络系统性变化的判定方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明网络来源和具体正则条件，依赖变化也不足以直接证明因果传染。
原文摘要
In many settings, observed multivariate time series are often nonstationary in nature, i.e., their second order properties vary over time. An additional feature is that their cross-channel dependencies are structured by an underlying network. Together, they give rise to complex interactions between temporal dynamics and network topology. We propose Locally Stationary Wavelet processes on Networks (Net-LSW), a new framework for modelling multiscale, time-varying dependencies that explicitly incorporates the network structure. Unlike traditional multivariate approaches, the Net-LSW process encodes the graph directly in the covariance structure of its random increments. We introduce the concept of local partial correlation graph, mathematically connecting absent edges to zero entries in the time-scale dependent inverse wavelet spectral structure. For inference on the local cross-nodal (partial) dependence, we develop a novel subprocess-based estimation scheme and establish its consistency properties. This new pipeline for network-based nonstationary process modelling, complete with estimation and simulation capabilities that extend outside time-varying vector autoregressive models, is shown to accurately recover evolving dependence structures whilst respecting the underlying graph topology. The analysis of daily stock price volatilities across a global bank network captures multiscale, highly nonstationary dependencies and identifies time-varying systemic shifts during major financial shocks, including Brexit and the COVID-19 pandemic.