Reducción de ruido con covarianza rezagada en series temporales de alta dimensión

Resumen

Este artículo desarrolla un método independiente del modelo para recuperar dinámicas de baja dimensión a partir de series temporales de alta dimensión contaminadas por ruido blanco de observación. Supone que el proceso latente evoluciona en un subespacio dinámico lineal de baja dimensión y caracteriza la proyección lineal que mejor recupera ese componente. El error restante se describe geométricamente mediante la orientación de los espacios de señal y ruido.

El procedimiento propuesto estima el subespacio dinámico y la proyección a partir de matrices de covarianza rezagada, selecciona la dimensión con métodos bootstrap y representa el ruido estructurado con rango bajo. Bajo las condiciones moderadas indicadas, la serie sin ruido converge a su objetivo poblacional a una tasa paramétrica. Las simulaciones comunican mejoras en la estimación del subespacio, la reconstrucción y las previsiones a un paso frente a la reducción de ruido mediante proyección ortogonal y a las observaciones sin procesar. Entre las aplicaciones figuran los rendimientos de acciones y una serie macroeconómica multivariante. El resumen no especifica periodos de datos, detalles de implementación ni rendimiento de trading, por lo que las mejoras de previsión comunicadas no demuestran rentabilidad.

Ideas clave

• El método busca recuperar dinámicas latentes de baja dimensión ocultas por el ruido blanco de observación.
• Las matrices de covarianza rezagada permiten estimar el subespacio dinámico y la proyección para recuperarlo.
• La selección de dimensión con bootstrap y la representación del ruido con rango bajo forman parte del procedimiento de estimación.
• El error de reconstrucción residual depende de la orientación relativa de los espacios de señal y ruido.
• Las simulaciones y aplicaciones comunicadas evalúan la reconstrucción y las previsiones, no la rentabilidad del trading.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.