Redução de ruído em séries temporais por covariância defasada

Resumo

Este artigo desenvolve uma forma independente de modelo para recuperar dinâmicas de baixa dimensão a partir de séries temporais de alta dimensão contaminadas por ruído branco de observação. Ele presume que o processo latente evolui em um subespaço dinâmico linear de baixa dimensão e caracteriza a projeção linear que melhor recupera esse componente. O erro restante é descrito geometricamente pela orientação dos espaços de sinal e de ruído.

O procedimento proposto estima o subespaço dinâmico e a projeção a partir de matrizes de covariância defasada, seleciona a dimensão com métodos de bootstrap e representa o ruído estruturado de baixo posto. Sob as condições moderadas especificadas, a série sem ruído converge para seu alvo populacional a uma taxa paramétrica. Simulações relatam ganhos na estimação do subespaço, na reconstrução e em previsões de um passo, em comparação com a redução de ruído por projeção ortogonal e com observações brutas. As aplicações incluem retornos de ações e uma série macroeconômica multivariada. O resumo não especifica períodos dos dados, detalhes de implementação nem desempenho de trading; portanto, as melhorias de previsão relatadas não demonstram rentabilidade.

Ideias principais

• O método busca dinâmicas latentes de baixa dimensão encobertas por ruído branco de observação.
• Matrizes de covariância defasada fornecem estimativas do subespaço dinâmico e da projeção para recuperá-lo.
• A seleção da dimensão por bootstrap e a representação do ruído de baixo posto fazem parte do procedimento de estimação.
• O erro residual de reconstrução depende da orientação relativa dos espaços de sinal e de ruído.
• As simulações e aplicações relatadas avaliam reconstrução e previsões, não a rentabilidade do trading.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.