Complex trend inference for high-dimensional piecewise locally stationary time series
高维分段局部平稳时间序列的复杂趋势推断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：摘要直接研究高维非平稳时间序列的趋势推断、异步跳跃检测与结构变化定位。
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…
高维分段局部平稳时间序列的复杂趋势推断
- 研究问题
- 高维时间序列存在非平稳噪声与不同步结构突变时，如何定位各维度的跳跃，并利用共享结构的潜在组改善趋势估计？
- 方法与思路
- 作者先用多尺度 AJDN 检测和定位异步跳跃，再加入同质性追寻构成 AJDN-H，识别共享跳跃结构与趋势参数的潜在分组。
- 材料陈述的贡献
- 摘要称，方法在规定渐近概率下恢复跳跃数量并达到近最优定位速率，分组信息共享进一步改善趋势估计，且展示金融数据应用。
- 阅读关注点
- 应核对噪声非平稳性与依赖条件、跳跃信号和间隔要求，以及第一步检测误差如何影响潜在分组和最终趋势估计。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未说明速率对应的参数空间与完整条件，不能认定适用于任意复杂趋势。
原文摘要
This paper studies high-dimensional trend inference for piecewise smooth signals under nonstationary noise and asynchronous structural breaks by first detecting asynchronous changes without assuming stationarity and then further exploiting latent group structures to estimate trend functions. In the first step, we propose AJDN (Asynchronous Jump Detection under Nonstationary Noise), a multiscale framework for the identification and localization of jumps in high-dimensional time series. We show that AJDN consistently recovers the number of jumps with a prescribed asymptotic probability and achieves nearly optimal localization rates in the presence of asynchronicity and nonstationarity, both of which often violate the assumptions of existing high-dimensional change point methods and thereby deteriorate their performance. In the second step, we augment AJDN with a homogeneity pursuit step and obtain AJDN-H, which identifies latent groups of dimensions that share common jump structures and trend parameters given the detected jumps. This allows for efficient information pooling and improves the accuracy of trend estimation under both asynchronicity and nonstationarity. The robustness and finite-sample performance of the proposed methodology are examined by extensive simulation studies. An application to financial data demonstrates the practical utility of the AJDN-H framework in complex, high-dimensional settings.