基于生成神经网络的多变量时间序列建模
统计方法学
2021-10-05 v4 机器学习
机器学习
摘要
本文引入生成矩匹配网络（GMMN）作为多变量时间序列（MTS）联合新息分布的依赖模型。遵循流行的用于建模依赖型 MTS 数据的 copula-GARCH 方法，我们提出了一种基于 GMMN-GARCH 方法的框架。首先，利用 ARMA-GARCH 模型捕捉各单变量边际时间序列内部的序列依赖。其次，若边际时间序列数量较大，则使用主成分分析（PCA）作为降维步骤。最后，通过 GMMN 对剩余的横截面依赖进行建模，这是本文的主要贡献。GMMN 具有高度灵活性且易于从中采样，这是相对于 copula-GARCH 方法的一大优势。涉及收益率曲线建模与汇率收益分析的应用展示了 GMMN-GARCH 方法的实用性，尤其在生成更好的经验预测分布和做出更好的概率预测方面。
引用
@article{arxiv.2002.10645,
title = {Multivariate time-series modeling with generative neural networks},
author = {Marius Hofert and Avinash Prasad and Mu Zhu},
journal= {arXiv preprint arXiv:2002.10645},
year = {2021}
}