본문으로 건너뛰기
라이브러리 문서 전체

시차 공분산을 활용한 고차원 시계열 잡음 제거

기사 arXiv papers · 저자: Bram Wouters et al.
원문 읽기

요약

이 논문은 관측 백색 잡음으로 오염된 고차원 시계열에서 저차원 동역학을 복원하는 모델 독립적 방법을 개발합니다. 잠재 과정이 저차원 선형 동역학 부분공간 안에서 변화한다고 가정하고, 해당 성분을 가장 잘 복원하는 선형 사영을 특성화합니다. 나머지 오차는 신호 공간과 잡음 공간의 상대적 방향을 통해 기하학적으로 설명합니다.

제안된 절차는 시차 공분산 행렬에서 동역학 부분공간과 사영을 추정하고, 부트스트랩 방법으로 차원을 선택하며, 구조화된 잡음을 저랭크로 나타냅니다. 명시된 약한 조건 아래에서는 잡음이 제거된 시계열이 모수적 속도로 모집단 목표값에 수렴합니다. 시뮬레이션은 직교 사영 잡음 제거 및 원자료와 비교해 부분공간 추정, 재구성, 한 단계 예측이 향상되었다고 보고합니다. 응용 대상에는 주식 수익률과 다변량 거시경제 시계열이 포함됩니다. 초록에는 데이터 기간, 구현 세부 정보, 트레이딩 성과가 명시되어 있지 않으므로, 보고된 예측 개선이 수익성을 입증하지는 않습니다.

핵심 아이디어

  • 이 방법은 관측 백색 잡음에 가려진 잠재 저차원 동역학을 대상으로 합니다.
  • 시차 공분산 행렬로 동역학 부분공간과 복원 사영을 추정합니다.
  • 추정 절차에는 부트스트랩 차원 선택과 저랭크 잡음 표현이 포함됩니다.
  • 잔여 재구성 오차는 신호 공간과 잡음 공간의 상대적 방향에 좌우됩니다.
  • 보고된 시뮬레이션과 응용은 재구성 및 예측을 평가하며 트레이딩 수익성은 평가하지 않습니다.

태그

통계주식머신러닝백테스트
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.