May, 2023

滞后多因子模型中引导滞后关系的鲁棒探测

PDF
TL;DR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。
lead-lag relationshipsclusteringmultivariate time seriesnonlinear similarity measuresfinancial markets
发现论文，激发创造
  • 重新思考多元时间序列预测的通道依赖性：从领先指标中学习

    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

  • 金融市场领先滞后效应的信息论方法

    本文分析了金融工具之间的先导关系，扩展了已知方法，使用了互信息作为更一般的指标，敏感于非线性依赖性，可以导致更简单的统计验证过程，同时分析了 NYSE 100 数据中的滞后关系，包括日内水平和日常股票收益。

    Feb, 2014

  • 高频 导致 / 滞后 的关系 - 实证事实

    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

  • 两个时间序列之间实时滞后结构的非参数确定："最优热因果路径" 方法

    我们提出了一种新颖的非参数方法，用于测试两个任意时间序列之间滞后引导结构的动态时间演化，并将其应用于因果关系的问题。

    Aug, 2004

  • 基于矩阵剖析的时间序列变量滞后模式跟踪关系推理框架

    通过使用矩阵剖面方法，我们正式定义了一种在两个时间序列之间推断关注模式的理念，并提出了一个框架来推测两个时间序列之间的关注模式。该框架在模拟数据集中表现优于基线，并能够在音频记录和加密货币数据集中检测出关注模式。我们的框架可应用于任何时间序列领域，以获取关于时间序列之间关注模式的洞见。

    Jan, 2024

  • 从多视角时间序列中识别潜在过程

    本文提出了一种名为 MuLTI 的新型框架，利用对比学习技术来反转数据生成过程以提高可识别性，并采用置换机制通过建立最优传输公式合并相应的重叠变量，从而在合成和真实世界数据集上展示了我们方法在多视图时间序列中恢复可识别潜在变量方面的卓越性能。

    May, 2023

  • 社交群体之间的思想流动追踪

    本文提出了一种方法来建模词群之间的流动行为、识别不同用户群体之间词汇聚类的先导滞后关系，使用基于动态时间扭曲的改进 Bayesian 条件协整来学习不同群体词汇之间的联系，采用基于张量的技术将这些链接单词聚类到不同的簇（ideas）中并跟踪 ideas 的流动，经过实验验证，该方法相对于传统聚类技术和精度更高，可用于帮助用户了解社交媒体上不同用户群体之间想法的流动。

    Dec, 2015

  • 应用于市场预测的通用时间序列数据的因果分析

    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

  • 外汇市场中的领先滞后关系

    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

  • 连接医疗设备的多变量时间序列聚类模型的比较研究

    在医疗保健领域，通过收集多变量时间序列的患者数据，可以全面了解患者的健康状况。在缺少标签的情况下，可以利用预测模型预测未来值，并且形成潜在的聚类空间。我们比较了两种模型（M AGMAC LUST 和 DGM2），通过使用 Withing 的数据集进行评估，前者聚类整个时间序列，而后者允许个体的群组归属随时间改变（即动态聚类）。

    Dec, 2023