A dynamic copula model for probabilistic forecasting of non-Gaussian multivariate time series
用于非高斯多元时间序列概率预测的动态 Copula 模型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：摘要明确研究多元时间序列，以动态因子构造依赖结构，并进行宏观数据的概率预测，对应时间序列、因子模型与预测。
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
用于非高斯多元时间序列概率预测的动态 Copula 模型
- 研究问题
- 如何对同时具有偏态、多峰、厚尾及连续与离散变量的多元时间序列建模，并刻画依赖关系与预测不确定性？
- 方法与思路
- 作者提出 Copula 后验近似策略，应用于动态因子构造的高斯 Copula，以非参数方式学习边际分布并开展贝叶斯预测。
- 材料陈述的贡献
- 摘要称方法具有后验一致性，模拟中在模型误设下表现良好，并在犯罪计数和宏观数据中取得较好的概率预测表现。
- 阅读关注点
- 应核对后验近似与完整贝叶斯推断的关系、一致性成立条件，以及混合数据处理、误设实验和预测比较的具体设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明一致性条件、预测指标及比较差异的具体数值。
原文摘要
Multivariate time series (MTS) data often include a heterogeneous mix of non-Gaussian distributional features (asymmetry, multimodality, heavy tails) and data types (continuous and discrete variables). Traditional MTS methods based on convenient parametric distributions are typically ill-equipped to model this heterogeneity. Copula models provide an appealing alternative, but present significant obstacles for fully Bayesian inference and probabilistic forecasting. To overcome these challenges, we propose a novel and general strategy for posterior approximation in MTS copula models and apply it to a Gaussian copula built from a dynamic factor model. This framework provides scalable, fully Bayesian inference for cross-sectional and serial dependencies and nonparametrically learns heterogeneous marginal distributions. We validate this approach by establishing posterior consistency and confirm excellent finite-sample performance even under model misspecification using simulated data. We apply our method to crime count and macroeconomic MTS data and find superior probabilistic forecasting performance compared to popular MTS models. These results demonstrate that the proposed method is a versatile, general-purpose utility for probabilistic forecasting of MTS that works well across of range of applications with minimal user input.