本研究通过三种不同的方法：滞后相关、滞后偏相关和格兰杰因果分析，对汇率的日志收益率进行了详细研究，发现尽管大多数汇率的滞后效应是不存在的，但有很多对经过统计学检验。通过构建有向网络并运用 PageRank 算法进行研究，在所有研究中，我们发现大部分汇率会被它们所属货币的股市指数排名最高，而这个结论与有效市场假说的说法恰恰相反，提示着市场信息的传播并非瞬间完成的。
Jun, 2019
研究了不同流动性资产之间的领先 / 滞后关系及其随时间的变化，分析了其不对称的交叉相关性，提供了衡量现象的指标，并探讨了其中的利润机会。
Nov, 2011
本文针对多元时间序列系统，提出了一种基于聚类的方法，利用滑动窗口的方式从输入数据中提取子序列时间序列，并采用各种聚类技术和包括非线性在内的多种相似性度量方法，从而稳健地检测出如金融市场和环境数据等不同领域中的时序数据中的先导关系。
May, 2023
本文探究了基于时间延迟的因果分析和皮尔逊相关性在金融市场预测中的应用。作者提出了一种适用于金融市场的时间序列数据的实用方法，并使用不同类型的金融和社交媒体数据进行了实验测试。结果显示该方法可以判别不同实时市场数据之间的因果关系，同时讨论了目前工作中存在的问题和可能的方向。
Apr, 2022
我们提出了一种名为 LIFT 的新方法，针对多元时间序列预测，它通过有效地估计领先指标并将领先指标的先行信息巧妙地应用于滞后变量，可以实现与任意时间序列预测方法的无缝合作，并在六个真实数据集上的大量实验证明，LIFT 在平均预测性能上提高了 5.5%。
Jan, 2024
该研究提出了一种金融市场分析的新方法，首次联合建模投资者预期和自动挖掘潜在的股票关系，超过其他指标成为股票收益预测和多年交易模拟的最新标准。
Jun, 2023
该研究旨在使用金融文本分析来估计多个资产之间的相关结构，并通过自然语言处理验证其对未来相关系数变化的预测准确性，结果表明该方法与传统的时间序列数据预测相比具有实用性。
May, 2024
本文回顾了金融时间序列聚类及其相关联的其他互动网络的研究现状，旨在将来自不同领域的相关材料聚集在一起。我们希望本文将成为研究人员更有效地使用金融时间序列的替代建模方法以及决策者和量化研究人员利用其洞见的基础。最后，我们还希望这份综述将成为研究金融市场中的相关性、层次、网络和聚类的开放工具箱的基础。
Mar, 2017
本文研究了量化研究相关矩阵性质的方法，并介绍了如何从相关矩阵中定义和获得层次树和基于相关性的树和网络。通过对相关矩阵执行分层聚类和其他程序来检测相关矩阵的可靠方面，并且还讨论了将嵌套因子模型与从相关矩阵获得的分层树相关联的方法。通过使用 Kullback-Leibler 距离量化过滤过程中保留的信息及其稳定性。
Sep, 2008
使用 Betfair 的时间序列数据，对英国马赛市场进行分析揭示了一个有趣的悖论：市场具有短尾、迅速衰减的自相关性和没有长期记忆；与以重尾和波动性聚类为特征的金融资产形成鲜明对比的是，投注交易回报中存在着显著的信息效率水平。拟合轻尾的广义高斯非条件分布表明市场能够迅速吸收和反映价格中的信息。这一点还得到了自相关性迅速衰减并且没有收益损失不对称的支持。因此，除了测量长期记忆之外，赫斯特指数还显示出均值回归，这表明市场能够对新的信息快速做出反应。
Feb, 2024