Network double autoregression
网络双重自回归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：摘要明确结合网络结构、条件异方差时间序列建模，并应用于股票数据。
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
网络双重自回归
- 研究问题
- 如何以较简洁的模型同时处理高维时间序列中的网络联系与条件异方差，并对模型参数和滞后阶数开展估计与选择？
- 方法与思路
- 作者将网络结构与双重自回归结合为 NDAR，采用准最大似然估计，推导渐近性质，并用贝叶斯信息准则选阶。
- 材料陈述的贡献
- 摘要称模型统一处理高维、条件异方差和网络数据，模拟在中等时间长度与网络规模下表现良好，并应用于股票数据。
- 阅读关注点
- 应核对网络权重如何进入均值和条件方差、准似然设定及稳定性条件，以及网络规模增长和选阶程序的理论要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明网络构造、误差分布及渐近条件，股票应用细节也未提供。
原文摘要
Modeling high-dimensional time series with simple structures is a challenging problem. This paper proposes a network double autoregression (NDAR) model, which combines the advantages of network structure and the double autoregression (DAR) model, to handle high-dimensional, conditionally heteroscedastic, and network-structured data within a simple framework. The parameters of the model are estimated using quasi-maximum likelihood estimation, and the asymptotic properties of the estimators are derived. The selection of the model's lag order will be based on the Bayesian information criterion. Finite-sample simulations show that the proposed model performs well even with moderate time dimensions and network sizes. Finally, the model is applied to analyze three different categories of stock data.