Moving sum procedure for multiple change point detection in large factor models
大型因子模型中的移动和多变点检测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：摘要明确针对高维时间序列的因子结构变化检测多个变点，直接对应时间序列、因子模型和结构变化三个方法方向。
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…
大型因子模型中的移动和多变点检测
- 研究问题
- 作者研究如何在高维时间序列的因子模型中识别多个变点，涵盖因子载荷变化，以及因子的出现或消失。
- 方法与思路
- 作者提出移动和检测方法，推导用于控制家族错误率的渐近零假设分布，分析多变点估计一致性，并进行模拟和波动数据应用。
- 材料陈述的贡献
- 摘要称，该程序具备多变点估计一致性及渐近家族错误率控制依据，模拟和大型波动数据应用显示其具有竞争力。
- 阅读关注点
- 应核对移动窗口选择、因子数量处理、载荷变化与因子增减的区分，以及变点间距、变化强度和维度增长的理论要求。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审或期刊接收未核实；摘要未列出检验条件、检测精度和比较数值，不能判断普遍优越性。
原文摘要
This paper proposes a moving sum methodology for detecting multiple change points in high-dimensional time series under a factor model, where changes are attributed to those in loadings as well as emergence or disappearance of factors. We establish the asymptotic null distribution of the proposed test for family-wise error control, and show the consistency of the procedure for multiple change point estimation. Simulation studies and an application to a large dataset of volatilities demonstrate the competitive performance of the proposed method.