A Frequentist Approach to Change Point Detection: Methods and Applications
变点检测的频率学派方法及应用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：摘要直接研究函数型时间序列的均值与波动变点，属于时间序列和结构变化方法；未给出金融波动率研究的专门依据。
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
变点检测的频率学派方法及应用
- 研究问题
- 当函数型时间序列的观测支持既可能稀疏又可能密集时，如何检测均值和过程波动的变化，并保证变点估计一致？
- 方法与思路
- 作者以给定其他参数时变点条件概率的最大化为方法基础，研究函数型序列的均值变化与过程波动变化检测。
- 材料陈述的贡献
- 摘要称提出适用于稀疏与密集观测支持的函数型时间序列变点方法，并证明所提估计量一致，但未展开具体应用结果。
- 阅读关注点
- 应核对条件概率的频率学派定义、其他参数如何估计、稀疏与密集观测的处理方式，以及一致性所需的变化幅度条件。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实。摘要非常简略，未说明完整模型、算法、收敛速率或应用数据，难以评估实践表现。
原文摘要
In this paper we study the problem of change point detection in functional time series where the observations are allowed to vary on both sparse and dense support. We address the problem of mean shift as well as the process volatility. Our methodology is based on the maximization of the conditional probability of change point given all the other parameters. Further, it has been proved that the proposed estimator is consistent.