論文の概要: Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models

• arxiv url: http://arxiv.org/abs/2305.06704v3
• Date: Tue, 19 Sep 2023 02:51:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 19:50:45.101238
• Title: Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models
• Title（参考訳）: タグ付き多要素モデルにおけるリードラグ関係のロバスト検出
• Authors: Yichi Zhang, Mihai Cucuringu, Alexander Y. Shestopaloff, Stefan Zohren
• Abstract要約: データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
• 参考スコア（独自算出の注目度）: 61.10851158749843
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In multivariate time series systems, key insights can be obtained by discovering lead-lag relationships inherent in the data, which refer to the dependence between two time series shifted in time relative to one another, and which can be leveraged for the purposes of control, forecasting or clustering. We develop a clustering-driven methodology for robust detection of lead-lag relationships in lagged multi-factor models. Within our framework, the envisioned pipeline takes as input a set of time series, and creates an enlarged universe of extracted subsequence time series from each input time series, via a sliding window approach. This is then followed by an application of various clustering techniques, (such as k-means++ and spectral clustering), employing a variety of pairwise similarity measures, including nonlinear ones. Once the clusters have been extracted, lead-lag estimates across clusters are robustly aggregated to enhance the identification of the consistent relationships in the original universe. We establish connections to the multireference alignment problem for both the homogeneous and heterogeneous settings. Since multivariate time series are ubiquitous in a wide range of domains, we demonstrate that our method is not only able to robustly detect lead-lag relationships in financial markets, but can also yield insightful results when applied to an environmental data set.
• Abstract（参考訳）: 多変量時系列システムでは、データに固有のリードラグ関係を発見し、2つの時系列間の依存性を相対的に変化させ、制御、予測、クラスタリングの目的で利用することができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。 フレームワーク内では、想定されたパイプラインが一連の時系列の入力として取り込まれ、スライディングウインドウアプローチにより、各入力時系列から抽出されたサブシーケンス時系列の拡大宇宙を生成する。 その後、様々なクラスタリング技術(k-means++やspectral clusteringなど)が応用され、非線形のものを含む様々なペアワイズ類似性測度が用いられる。 クラスタが抽出されると、クラスタ間のリードラグ推定が頑健に集約され、元の宇宙における一貫した関係の同定が強化される。 我々は、同種および異種両方の設定に対する多重参照アライメント問題への接続を確立する。 多変量時系列は幅広い領域に分布しているため、我々の手法は金融市場でのリードラグ関係を堅牢に検出できるだけでなく、環境データセットに適用した場合にも洞察力のある結果が得られることを示す。

関連論文リスト

• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate Time Series Forecasting [18.192600104502628]
  時系列データはしばしば、シリーズ内およびシリーズ間相関を示す。 MSGNetの有効性を示すために、複数の実世界のデータセットで大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-12-31T08:23:24Z)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• Kernel-based Joint Independence Tests for Multivariate Stationary and Non-stationary Time Series [0.6749750044497732]
  多変量時系列における共同独立のカーネルベース統計テストを導入する。 提案手法は, 合成例において, 高次依存関係を頑健に発見する方法を示す。 我々の手法はデータの高次相互作用を明らかにするのに役立つ。
  論文  参考訳（メタデータ） (2023-05-15T10:38:24Z)
• Lead-lag detection and network clustering for multivariate time series with an application to the US equity market [4.963115946610031]
  時系列間の一対のリードラグ関係のウェブは、有向ネットワークと解釈できることを示す。 フレームワーク内では、ペアワイズリードラグメトリックと有向ネットワーククラスタリングコンポーネントの選択肢をいくつか検討する。 本稿では,米国株式市場における統計的に有意なリードラグクラスタの検出が可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-20T16:39:57Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)
• Multivariate Time-series Anomaly Detection via Graph Attention Network [27.12694738711663]
  多変量時系列の異常検出は、データマイニング研究と産業応用の両方において非常に重要である。 1つの大きな制限は、異なる時系列間の関係を明示的に捉えないことである。 この問題に対処するために,多変量時系列異常検出のための新しい自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-04T07:46:19Z)
• Data Curves Clustering Using Common Patterns Detection [0.0]
  分析とクラスタリングの時系列、あるいは一般にあらゆる種類の曲線は、いくつかの人間の活動にとって重要である。 共通パターン(CP)方法論を用いた新しい曲線クラスタリングについて紹介する。
  論文  参考訳（メタデータ） (2020-01-05T18:36:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。