بلند جہتی ٹائم سیریز کے لیے تاخیری کوواریئنس سے شور کی صفائی

خلاصہ

یہ مقالہ مشاہداتی سفید شور سے آلودہ بلند جہتی ٹائم سیریز سے کم جہتی حرکیات بازیافت کرنے کا ماڈل سے آزاد طریقہ پیش کرتا ہے۔ اس میں فرض کیا گیا ہے کہ پوشیدہ عمل ایک کم جہتی خطی حرکیاتی ذیلی فضا میں آگے بڑھتا ہے، اور اس جز کو بہترین طور پر بازیافت کرنے والے خطی پروجیکشن کی خصوصیات بیان کی گئی ہیں۔ باقی ماندہ غلطی کو سگنل اور شور کی فضاؤں کی باہمی سمت کے ذریعے ہندسی طور پر بیان کیا گیا ہے۔

مجوزہ طریقہ تاخیری کوواریئنس میٹرکس سے حرکیاتی ذیلی فضا اور پروجیکشن کا تخمینہ لگاتا ہے، بوٹسٹریپ طریقوں سے بُعد منتخب کرتا ہے، اور ساختی شور کو کم رینک میں ظاہر کرتا ہے۔ بیان کردہ معمولی شرائط کے تحت شور سے صاف کی گئی سیریز اپنے آبادیاتی ہدف کی طرف پیرامیٹرک شرح سے ہم آہنگ ہوتی ہے۔ سیمولیشنز میں عمودی پروجیکشن سے شور کی صفائی اور خام مشاہدات کے مقابلے میں ذیلی فضا کے تخمینے، بازتعمیر اور ایک قدمی پیش گوئی میں بہتری رپورٹ ہوئی ہے۔ اطلاقات میں اسٹاک ریٹرن اور کثیر متغیر معاشی سلسلہ شامل ہیں۔ خلاصے میں ڈیٹا کے ادوار، نفاذ کی تفصیل یا ٹریڈنگ کارکردگی نہیں، اس لیے پیش گوئی میں رپورٹ کردہ بہتری منافع پذیری ثابت نہیں کرتی۔

اہم خیالات

• یہ طریقہ مشاہداتی سفید شور میں چھپی پوشیدہ کم جہتی حرکیات کو ہدف بناتا ہے۔
• تاخیری کوواریئنس میٹرکس حرکیاتی ذیلی فضا اور اسے بازیافت کرنے والے پروجیکشن کے تخمینے فراہم کرتے ہیں۔
• تخمینے کے طریقۂ کار میں بوٹسٹریپ سے بُعد کا انتخاب اور کم رینک شور کی نمائندگی شامل ہے۔
• باقی بازتعمیر کی غلطی سگنل اور شور کی فضاؤں کی نسبتی سمت پر منحصر ہے۔
• رپورٹ کردہ سیمولیشنز اور اطلاقات بازتعمیر اور پیش گوئی جانچتے ہیں، ٹریڈنگ منافع پذیری نہیں۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔