×

结构化时间点过程的半参数学习。 (英语) Zbl 1527.62027号

总结:我们提出了一个使用多级log-Gaussian-Cox过程来模拟具有复杂结构的重复观测点过程的一般框架;由于技术进步,此类数据在医学研究、社会科学、经济和金融等各个领域变得越来越可用。提出了一种新的非参数方法,用于有效且一致地估计各级潜在高斯过程的协方差函数。为了预测函数主成分得分,我们提出了一种通过最大化点过程的超位置的条件似然来进行一致估计的方法。我们进一步将我们的过程扩展到可以评估过程之间潜在相关性的二元点过程情形。研究了所提出估计量的渐近性质,并通过模拟研究和股票交易数据集的应用说明了我们的方法的有效性。

MSC公司:

62G05型 非参数估计
60克55 点过程(例如,泊松、考克斯、霍克斯过程)
62小时25分 因子分析和主成分;对应分析
PDF格式BibTeX公司 XML格式引用
全文: 链接

参考文献:

[1] Massil Achab、Emmanuel Bacry、Stephane Gaiffas、Iacopo Mastromateo和Jean-Francois Muzy。从多元霍克斯积分累积量中发现因果关系。机器学习研究杂志,18:1-282018·Zbl 1472.62076号
[2] 桑德罗·C·安德拉德(Sandro C Andrade)、查尔斯·张(Charles Chang)和马克·S·肖尔斯(Mark S Seasholes)。交易失衡、可预测的反转和交叉股价压力。《金融经济学杂志》,88(2):406-4232008。
[3] 桑德罗·安德拉德(Sandro C Andrade)、卞江泽(Jiangze Bian)和蒂莫西·伯奇(Timothy R Burch)。分析师报道、信息和泡沫。《财务与定量分析杂志》,48(05):1573-16052013。
[4] Emmanuel Bacry和Jean-Francois Muzy。霍克斯过程和非参数估计的一阶和二阶统计特征。IEEE信息理论汇刊,62(4):2184-22022016·Zbl 1359.62160号
[5] 阿德里安·巴德利(Adrian J Baddeley)、杰斯佩·莫勒(Jesper Möller)和拉斯穆斯·瓦格彼得森(Rasmus Waagepetersen)。非均匀点模式中交互作用的非参数和半参数估计。Neerlandica统计,54(3):329-3502000·Zbl 1018.62027号
[6] Brad M Barber和Terrance Odean。交易对你的财富有害:个人投资者的普通股投资表现。《金融杂志》,55(2):773-8062000。
[7] Brad M Barber和Terrance Odean。男孩就是男孩:性别、过度自信和普通股投资。经济学季刊,116(1):261-2922001·Zbl 0979.91081号
[8] Brad M Barber、Yi-Tsung Lee、Yu-Jane Liu和Terrance Odean。个人投资者在交易中损失了多少?《金融研究评论》,22(2):609-6322008。
[9] Paula R Bouzas、Mariano J Valderrama、Ana M Aguilera和N Ruiz-Fuentes。通过函数数据分析模拟双随机泊松过程的平均值。计算统计与数据分析,50(10):2655-26672006·Zbl 1445.62212号
[10] 詹妮弗·卡彭特(Jennifer N Carpenter)和罗伯特·怀特劳(Robert F Whitelaw)。中国股市的发展和对全球经济的影响。《金融经济学年度评论》,9(1):233-2572017年。
[11] Kehui Chen和Hans-Georg M¨uller。对重复的功能观察进行建模。《美国统计协会杂志》,107(500):1599-16092012·Zbl 1258.62071号
[12] Kehui Chen、Pedro Delicado和Hans-Georg M¨uller。模拟函数值随机过程,并应用于生育动力学。英国皇家统计学会杂志:B辑,79(1):177-1962017·Zbl 1414.62208号
[13] Chong Zhi Di,Ciprian M Crainiceanu,Brian S Caffe和Naresh M Punjabi。多级功能主成分分析。应用统计学年鉴,3(1):4582009·Zbl 1160.62061号
[14] Mehrdad Farajtabar、Xiaojing Ye、Sahar Harati、Le Song和Hongyuan Zha。社交网络中的多阶段竞选活动。《神经信息处理系统进展》,第4718-4726页,2016年。
[15] Mehrdad Farajtabar、Yichen Wang、Manuel Gomez-Rodriguez、Shuang Li和Hongyuan Zha。共同进化:信息扩散和网络进化的联合点过程模型。机器学习研究杂志,18:1-492017·Zbl 1437.91343号
[16] 雷锋和马克·S·海肖。关联交易和位置。《金融杂志》,59(5):2117-21442004。
[17] 丹尼尔·格维尼(Daniel Gervini)。复制点进程的独立组件模型。空间统计,18:474-488,2016年。
[18] Peter Hall、Hans-Georg M¨uller和Jane-Ling Wang。函数和纵向数据分析的主成分方法的特性。《统计年鉴》,34(3):1493-15172006·Zbl 1113.62073号
[19] 阿兰·霍克斯和大卫·奥克斯。自我激励过程的集群过程表示。应用概率杂志,11(3):493-5031974·Zbl 0305.60021号
[20] 黛布拉·亨宁格(Debra E Henninger)、大卫·J·马登(David J Madden)和斯科特·休特尔(Scott A Huettel)。处理速度和记忆调节了与年龄相关的决策差异。心理学与老龄化,25(2):2622010。
[21] 赛义德·阿巴斯·侯赛尼(Seyed Abbas Hosseini)、凯文·阿利扎德(Keivan Alizadeh)、阿里·科达达迪(Ali Khodadadi)、阿里·阿拉布扎德(Ali Arabzadeh,Arabzade)、迈赫达德·法拉杰塔巴尔(Mehrdad Farajtabar)、查洪元(。时间推荐的递归泊松因子分解。第23届ACM SIGKDD知识发现和数据挖掘国际会议论文集,第847-855页。ACM,2017年。
[22] 珍妮·伊利安(Janine Illian)、艾丽卡·本森(Erica Benson)、约翰·克劳福德(John Crawford)和哈里·斯坦斯(Harry Staines)。空间点过程的主成分分析——评估该方法在生态环境中的适用性。空间点过程建模的案例研究,第135-150页。斯普林格,2006年·Zbl 05243458号
[23] 阿卜杜拉·贾利利安(Abdollah Jalilian)、关永涛(Yongtao Guan)、豪尔赫·马图(Jorge Mateu)和拉斯穆斯·瓦杰佩特森(Rasmus Waagepetersen)。多元产品热噪声cox点过程模型。生物计量学,71(4):1022-10332015·兹比尔1400.62266
[24] Mohammad Reza Karimi、Erfan Tavakoli、Mehrdad Farajtabar、Le Song和Manuel Gomez Rodriguez。智能广播:你想被人看到吗?第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集,第1635-1644页。ACM,2016年。
[25] 雷米·莱蒙尼尔和尼古拉斯·瓦亚蒂斯。多变量hawkes过程触发核的非参数马尔可夫学习。《数据库中的机器学习和知识发现》,第161-176页。施普林格-柏林-海德堡,2014年。
[26] 李叶华,邢泰仁,等。功能数据和高维数据有效降维空间的维数确定。《统计年鉴》,38(5):3028-3062010·Zbl 1200.62115号
[27] 李叶华(Yehua Li)、王乃馨(Naisyin Wang)和雷蒙德·卡罗尔(Raymond J Carroll)。选择功能数据中主成分的数量。《美国统计协会杂志》,108(504):1284-12942013·Zbl 1288.62102号
[28] 卡蒂乌西亚·曼纳罗(Katiuscia Mannaro)、米歇尔·马切西(Michele Marchesi)和阿莱西奥·塞祖(Alessio Setzu)。利用人工金融市场评估托宾式交易税的影响。《经济行为与组织杂志》,67(2):445-4622008。
[29] 杰斯珀·莫勒(Jesper Möller)和拉斯穆斯·普伦格·瓦杰佩特森(Rasmus Plenge Waagepetersen)。空间点过程的统计推断和模拟。CRC出版社,2003年·兹比尔1044.62101
[30] Jesper Møller、Anne Randi Syversvien和Rasmus Plenge Waagepetersen。对数高斯cox过程。《斯堪的纳维亚统计杂志》,25(3):451-4821998年·Zbl 0931.60038号
[31] 惠特尼·K·纽伊。概率一致收敛和随机等度连续。《计量经济学:计量经济学社会杂志》,第1161-1167页,1991年·Zbl 0743.60012号
[32] Terrance Odean。投资者交易过多吗?《美国经济评论》,89(5):1279-12981999。
[33] Aleksey S Polunchenko和Alexander G Tartakovsky。顺序变更点检测中的最新技术。应用概率的方法与计算,14(3):649-6842012·Zbl 06124706号
[34] 丹尼尔·理查兹(Daniel W Richards)和吉泽尔·威廉斯(Gizelle D Willows)。谁交易频繁?频繁交易的个人投资者的特征。《全球金融杂志》,35:1-112018。
[35] 玛丽安·安德烈·里佐乌(Marian Andrei Rizoiu)、小李(Young Lee)、斯瓦普尼·米什拉(Swapnil Mishra)和谢乐兴(Lexing Xie)。社交媒体中事件的鹰流程教程。arXiv预印本arXiv:1708.064012017。
[36] 格雷戈里·萨马内斯·拉金(Gregory R Samanez-Larkin)、卡米莉亚·库恩(Camelia M Kuhnen)、丹尼尔·尤奥(Daniel J Yoo)和布莱恩·克努特森(Brian Knutson)。伏隔核活动的可变性调节了与年龄相关的次优财务风险承担。神经科学杂志,30(4):1426-14342010。
[37] Daniel Simpson、Janine Baerbel Illian、Finn Lindgren、Sigrunn H Sorbye和Havard Rue。脱离网格:对数高斯cox过程的计算效率推断。《生物特征》,103(1):49-702016·Zbl 1452.62704号
[38] 史蒂文·伦劳夫(Steven R Umlauf)。交易税与瑞典股市的行为。《金融经济学杂志》,33(2):227-2401993年。
[39] Utkarsh Upadhyay、Abir De和Manuel Gomez Rodriguez。标记时间点过程的深度强化学习。《神经信息处理系统进展》,第3168-3178页,2018年。
[40] MNM Van Lieshout和Adrian J Baddeley。多元点模式中类型之间的依赖指数。《斯堪的纳维亚统计杂志》,26(4):511-5321999·Zbl 0942.62061号
[41] Rasmus Waagepetersen和Yongtao Guan。非均匀空间点过程的两步估计。英国皇家统计学会杂志:B辑(统计方法),71(3):685-7022009·Zbl 1250.62047号
[42] 渡边佐司。Karhunen-loeve展开和因子分析,理论评述和应用。1965年第四届布拉格信息理论会议记录。
[43] 吴爽(Shuang Wu)、汉斯·格奥尔格·穆勒(Hans-Georg M¨uller)和张震(Zhen Zhang)。具有罕见事件的点过程的功能数据分析。中国统计,23(1):1-232013·Zbl 1259.62076号
[44] 肖帅、颜俊驰、法拉杰塔巴尔、宋乐、杨晓康和翟宏源。事件序列和时间序列与注意双循环神经网络的联合建模。arXiv预印本arXiv:1703.085242017。
[45] 徐刚刚(Ganggang Xu)、赵冲(Chong Zhao)、阿卜杜拉·贾利利安(Abdollah Jalilian)、拉斯穆斯·瓦格佩特森(Rasmus Waagepetersen)、张京飞(Jingfei Zhang)和关永涛(Yongtao Gu。复制非均匀点过程对相关函数的非参数估计。《电子统计杂志》,出版日期:2020年·Zbl 1455.62082号
[46] 徐洪腾、罗迪新和查宏元。从短的双传感器事件序列中学习霍克斯过程。国际机器学习会议,第3831-3840页,2017年。
[47] 方耀、汉斯·格奥尔格·穆勒和珍妮·林·王。稀疏纵向数据的功能数据分析。美国统计协会杂志,100(470):577-5902005·Zbl 1117.62451号
[48] Byron M Yu、John P Cunningham、Gopal Santhanam、Stephen I Ryu、Krishna V Shenoy和Maneesh Sahani。神经群体活动的低维单次试验分析的高斯过程因子分析。神经信息处理系统进展,第1881-1888页,2009年。
[49] Ali Zarezade、Abir De、Utkarsh Upadhyay、Hamid R Rabiee和Manuel Gomez-Rodriguez。指导社会活动:一种随机最优控制观点。机器学习研究杂志,18(205):1-352018·Zbl 1471.91407号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。