Model-based fuzzy time series clustering of conditional higher moments
基于条件高阶矩的模型化模糊时间序列聚类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：摘要直接研究时间序列条件矩聚类，并在允许异方差的金融时间序列上应用。
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…
基于条件高阶矩的模型化模糊时间序列聚类
- 研究问题
- 面对异方差、非正态与非线性时间序列，如何依据估计的条件矩进行模糊聚类，并描述金融序列之间的动态差异？
- 方法与思路
- 作者先用动态条件得分模型估计条件矩，再采用基于自相关的模糊 C 均值算法聚类，并考察不同模型和密度设定。
- 材料陈述的贡献
- 摘要提出结合 DCS 建模与条件矩聚类的程序，并用模拟及多项金融时间序列应用展示其用途和计算可行性。
- 阅读关注点
- 应核对采用哪些条件矩、自相关特征与模糊归属度的构造，以及聚类对模型误设、估计误差和分布选择的敏感性。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未报告聚类准确率、稳定性或相对优势，不能确认方法优越性。
原文摘要
This paper develops a new time series clustering procedure allowing for heteroskedasticity, non-normality and model's non-linearity. At this aim, we follow a fuzzy approach. Specifically, considering a Dynamic Conditional Score (DCS) model, we propose to cluster time series according to their estimated conditional moments via the Autocorrelation-based fuzzy C-means (A-FCM) algorithm. The DCS parametric modelling is appealing because of its generality and computational feasibility. The usefulness of the proposed procedure is illustrated using an experiment with simulated data and several empirical applications with financial time series assuming both linear and nonlinear models' specification and under several assumptions about time series density function.