حذف نویز سری‌های زمانی با کوواریانس‌های وقفه‌دار
خلاصه
این مقاله روشی مستقل از مدل ارائه می‌کند تا پویایی‌های کم‌بعد را از سری‌های زمانی پُربعدی بازیابی کند که نویز سفیدِ مشاهده‌ای آن‌ها را آلوده کرده است. فرض می‌کند فرایند نهفته در زیرفضای پویای خطیِ کم‌بعدی تحول می‌یابد و تصویر خطی‌ای را مشخص می‌کند که آن مؤلفه را به بهترین شکل بازیابی می‌کند. خطای باقی‌مانده از نظر هندسی و از طریق جهت‌گیری فضاهای سیگنال و نویز توصیف می‌شود.
روش پیشنهادی زیرفضای پویا و تصویر را از ماتریس‌های کوواریانس وقفه‌دار برآورد می‌کند، بُعد را با روش‌های بوت‌استرپ انتخاب می‌کند و نویز ساختاریافته را با رتبه پایین نمایش می‌دهد. تحت شرایط ملایمِ بیان‌شده، سریِ بدون نویز با نرخ پارامتری به هدف جمعیتی خود همگرا می‌شود. شبیه‌سازی‌ها در مقایسه با حذف نویز از طریق تصویر متعامد و مشاهدات خام، بهبودهایی در برآورد زیرفضا، بازسازی و پیش‌بینی یک‌گام گزارش می‌کنند. کاربردها شامل بازده سهام و یک سری کلان‌اقتصادی چندمتغیره‌اند. چکیده دوره‌های داده، جزئیات پیاده‌سازی یا عملکرد معاملاتی را مشخص نمی‌کند؛ بنابراین بهبودهای گزارش‌شده در پیش‌بینی، سودآوری را ثابت نمی‌کنند.
ایده‌های کلیدی
- این روش پویایی‌های نهفته کم‌بعدی را هدف می‌گیرد که زیر نویز سفیدِ مشاهده‌ای پنهان شده‌اند.
- ماتریس‌های کوواریانس وقفه‌دار، برآوردهایی از زیرفضای پویا و تصویر بازیابی آن فراهم می‌کنند.
- انتخاب بُعد با بوت‌استرپ و نمایش نویز با رتبه پایین بخشی از فرایند برآوردند.
- خطای بازسازی باقی‌مانده به جهت‌گیری نسبی فضاهای سیگنال و نویز بستگی دارد.
- شبیه‌سازی‌ها و کاربردهای گزارش‌شده بازسازی و پیش‌بینی را ارزیابی می‌کنند، نه سودآوری معاملاتی را.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.