Débruitage des séries temporelles par covariance retardée en grande dimension

Résumé

Cet article développe une méthode indépendante des modèles pour retrouver des dynamiques de faible dimension à partir de séries temporelles de grande dimension perturbées par un bruit blanc d’observation. Il suppose que le processus latent évolue dans un sous-espace dynamique linéaire de faible dimension et caractérise la projection linéaire qui récupère le mieux cette composante. L’erreur restante est décrite géométriquement par l’orientation des espaces de signal et de bruit.

La méthode proposée estime le sous-espace dynamique et la projection à partir de matrices de covariance retardée, sélectionne la dimension par des méthodes bootstrap et représente le bruit structuré à faible rang. Sous les conditions modérées énoncées, la série débruitée converge vers sa cible de population à un taux paramétrique. Les simulations font état d’améliorations de l’estimation du sous-espace, de la reconstruction et des prévisions à un pas par rapport au débruitage par projection orthogonale et aux observations brutes. Les applications comprennent les rendements boursiers et une série macroéconomique multivariée. Le résumé ne précise ni les périodes de données, ni les détails de mise en œuvre, ni les performances de trading ; les améliorations de prévision rapportées n’établissent donc pas la rentabilité.

Idées clés

• La méthode vise à retrouver les dynamiques latentes de faible dimension masquées par le bruit blanc d’observation.
• Les matrices de covariance retardée permettent d’estimer le sous-espace dynamique et la projection nécessaire à sa récupération.
• La procédure comprend une sélection de dimension par bootstrap et une représentation du bruit à faible rang.
• L’erreur de reconstruction résiduelle dépend de l’orientation relative des espaces de signal et de bruit.
• Les simulations et applications rapportées évaluent la reconstruction et les prévisions, et non la rentabilité du trading.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.