Discovering Multiple Phases of Dynamics by Dissecting Multivariate Time Series
通过分解多元时间序列发现动态系统的多个阶段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：摘要以多元时间序列为对象，通过分段识别动态阶段及联合分布变化。
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
通过分解多元时间序列发现动态系统的多个阶段
- 研究问题
- 如何从多元时间序列中发现交替出现的动态阶段，并识别仅在联合分布或极端事件复现模式中体现的系统变化？
- 方法与思路
- 作者扩展层级因子分段技术，选择多维极端事件，以时变参数几何分布拟合等待时间，再汇总复现模式并进行聚类分段。
- 材料陈述的贡献
- 摘要称模拟能够识别联合分布变化；股票收益、交易量和交易次数应用展示了波动时期及股票间潜在关联线索。
- 阅读关注点
- 应核对极端事件选择、等待时间拟合与分段准则，以及特征加权的作用和股票间关联结论所依据的统计证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明误报控制或分段误差，关联线索不能解释为因果联系。
原文摘要
We proposed a data-driven approach to dissect multivariate time series in order to discover multiple phases underlying dynamics of complex systems. This computing approach is developed as a multiple-dimension version of Hierarchical Factor Segmentation(HFS) technique. This expanded approach proposes a systematic protocol of choosing various extreme events in multi-dimensional space. Upon each chosen event, an empirical distribution of event-recurrence, or waiting time between the excursions, is fitted by a geometric distribution with time-varying parameters. Iterative fittings are performed across all chosen events. We then collect and summarize the local recurrent patterns into a global dynamic mechanism. Clustering is applied for partitioning the whole time period into alternating segments, in which variables are identically distributed. Feature weighting techniques are also considered to compensate for some drawbacks of clustering. Our simulation results show that this expanded approach can even detect systematic differences when the joint distribution varies. In real data experiments, we analyze the relationship from returns, trading volume, and transaction number of a single, as well as of multiple stocks in S&P500. We can successfully not only map out volatile periods but also provide potential associative links between stocks.