密度时间序列的 Wasserstein 自回归模型
统计方法学
2020-06-24 v1
摘要
由截面或日内收益的时序分布构成的数据在金融领域已被广泛研究，并提供了数据原子由序列相关的概率分布组成的一个例子。受此类数据启发，我们利用由 Wasserstein 度量诱导的分布空间上的切空间结构，提出一种针对密度时间序列的自回归模型。密度本身不假设具有任何特定参数形式，从而可灵活预测未来未观测到的密度。阶数为 的 Wasserstein 自回归模型中的主要估计目标为 Wasserstein 自相关与向量值自回归参数。我们提出合适的估计量并确立其渐近正态性，该性质在模拟研究中得到验证。新的阶数为 的 Wasserstein 自回归模型导出一种预测算法，其中包含数据驱动的阶数选择过程。通过对四个金融收益数据集的应用，将其性能与现有预测方法进行比较，其中使用多种度量来量化预测精度。对于大多数度量，所提模型在两个数据集中优于现有方法，而另外两个数据集中最佳的实证性能由基于密度函数变换的现有方法取得。
引用
@article{arxiv.2006.12640,
title = {Wasserstein Autoregressive Models for Density Time Series},
author = {Chao Zhang and Piotr Kokoszka and Alexander Petersen},
journal= {arXiv preprint arXiv:2006.12640},
year = {2020}
}