Efficient and Consistent Data-Driven Model Selection for Time Series
时间序列中高效且一致的数据驱动模型选择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 ARMA、ARCH、GARCH 等时间序列模型的选择，未提供足以另归金融应用方向的具体对象。
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…
时间序列中高效且一致的数据驱动模型选择
- 研究问题
- 在包含真实模型的有限候选时间序列模型族中，怎样设计惩罚项，使基于准似然的模型选择同时具有一致性与效率？
- 方法与思路
- 作者分析理想惩罚的渐近行为，给出一致性和效率条件，并保留拉普拉斯近似二阶项，从贝叶斯视角构造 KC' 准则。
- 材料陈述的贡献
- 摘要称一致性准则在其效率定义下优于 AIC；蒙特卡洛结果显示 KC' 在所考察情形中较 AIC 和 BIC 更一致且高效。
- 阅读关注点
- 应核对风险与效率的定义、真实模型包含假设、惩罚条件，以及 KC' 的二阶项计算和模拟候选模型配置。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列出完整正则条件，不能推广到真实模型不在候选族的情况。
原文摘要
This paper studies the model selection problem in a large class of causal time series models, which includes both the ARMA or AR($\infty$) processes, as well as the GARCH or ARCH($\infty$), APARCH, ARMA-GARCH and many others processes. We first study the asymptotic behavior of the ideal penalty that minimizes the risk induced by a quasi-likelihood estimation among a finite family of models containing the true model. Then, we provide general conditions on the penalty term for obtaining the consistency and efficiency properties. We notably prove that consistent model selection criteria outperform classical AIC criterion in terms of efficiency. Finally, we derive from a Bayesian approach the usual BIC criterion, and by keeping all the second order terms of the Laplace approximation, a data-driven criterion denoted KC'. Monte-Carlo experiments exhibit the obtained asymptotic results and show that KC' criterion does better than the AIC and BIC ones in terms of consistency and efficiency.