إزالة الضوضاء من السلاسل الزمنية عالية الأبعاد بالتغاير المتأخر

الملخص

تطور هذه الورقة طريقة مستقلة عن النموذج لاستعادة ديناميكيات منخفضة الأبعاد من سلاسل زمنية عالية الأبعاد تلوثها ضوضاء بيضاء ناتجة عن الرصد. وتفترض أن العملية الكامنة تتطور ضمن فضاء ديناميكي خطي منخفض الأبعاد، وتحدد الإسقاط الخطي الأفضل لاستعادة ذلك المكون. ويُوصف الخطأ المتبقي هندسيا عبر اتجاه فضاءي الإشارة والضوضاء.

يقدر الإجراء المقترح الفضاء الديناميكي والإسقاط من مصفوفات التغاير المتأخر، ويختار الأبعاد بأساليب bootstrap، ويمثل الضوضاء المنظمة برتبة منخفضة. وفي ظل الشروط المعتدلة المذكورة، تتقارب السلسلة المنزوعة الضوضاء إلى هدفها في المجتمع الإحصائي بمعدل معلمي، أي بمعدل يتحدد بحسب حجم العينة. وتفيد المحاكاة بتحسن تقدير الفضاء وإعادة البناء وتنبؤات الخطوة الواحدة مقارنة بإزالة الضوضاء بالإسقاط المتعامد وبالمشاهدات الخام. وتشمل التطبيقات عوائد الأسهم وسلسلة اقتصادية كلية متعددة المتغيرات. ولا يحدد الملخص فترات البيانات أو تفاصيل التنفيذ أو أداء التداول، لذا لا تثبت تحسينات التنبؤ المبلغ عنها تحقيق الربحية.

الأفكار الرئيسية

• تستهدف الطريقة ديناميكيات كامنة منخفضة الأبعاد تحجبها ضوضاء بيضاء ناتجة عن الرصد.
• توفر مصفوفات التغاير المتأخر تقديرات للفضاء الديناميكي وإسقاط استعادته.
• يشمل إجراء التقدير اختيار الأبعاد بإعادة المعاينة وتمثيل الضوضاء منخفض الرتبة.
• يتوقف خطأ إعادة البناء المتبقي على الاتجاه النسبي لفضاءي الإشارة والضوضاء.
• تقيّم المحاكاة والتطبيقات المبلغ عنها إعادة البناء والتنبؤات، لا ربحية التداول.

الوسوم

# Model-agnostic noise reduction for high-dimensional time series data


# Model-agnostic noise reduction for high-dimensional time series data









We develop a model-agnostic framework for noise reduction in high-dimensional time series that explicitly targets optimal recovery of a low-dimensional latent dynamic component contaminated by observational white noise. Under the assumption that the latent dynamics live in a low-dimensional linear dynamic subspace, we characterize the optimal linear projection onto the dynamic subspace and provide a geometric description of the residual error in terms of the relative orientation of the signal and noise spaces. We propose estimators for the dynamic subspace and the optimal projection based on lagged covariance matrices, bootstrap dimension selection, and a low-rank representation of the structured noise. Under mild conditions, the resulting denoised series is shown to converge to its population target at the usual parametric rate. Simulations show that the proposed method can substantially improve subspace estimation, reconstruction error, and one-step-ahead forecast accuracy compared with both orthogonal projection-based denoising and the raw data. The approach is illustrated by empirical applications to high-dimensional stock returns and to a 20-variate time series of macroeconomic indicators.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.