[论文解读] Modeling Interval Trendlines: Symbolic Singular Spectrum Analysis for Interval Time Series

Miguel de Carvalho, Gabriel Martos|arXiv (Cornell University)|Nov 7, 2020

Statistical and numerical algorithms参考文献 30被引用 7

一句话总结

本文提出了符号奇异谱分析（SSA）用于区间值时间序列，将经典SSA扩展至分解和预测区间数据，可识别出如区间趋势线、周期和噪声等可解释成分。该方法通过区间Hankel矩阵的矩阵分解实现，并利用线性递推进行预测，经模拟实验及对阿根廷Merval股市指数在经济动荡期间的实时分析得到验证。

ABSTRACT

In this article we propose an extension of singular spectrum analysis for interval-valued time series. The proposed methods can be used to decompose and forecast the dynamics governing a set-valued stochastic process. The resulting components on which the interval time series is decomposed can be understood as interval trendlines, cycles, or noise. Forecasting can be conducted through a linear recurrent method, and we devised generalizations of the decomposition method for the multivariate setting. The performance of the proposed methods is showcased in a simulation study. We apply the proposed methods so to track the dynamics governing the Argentina Stock Market (MERVAL) in real time, in a case study that covers the most recent period of turbulence that led to discussions of the government of Argentina with the International Monetary Fund.

研究动机与目标

• 将奇异谱分析（SSA）扩展至建模和预测区间值时间序列，其中数据以区间而非单一数值表示。
• 解决基于中点分析的局限性，避免丢失区间内部的变异信息，尤其在金融和经济数据中。
• 开发一种分解框架，生成可解释的成分（如趋势线、周期、噪声），适用于集合值随机过程。
• 将该方法推广至多变量区间时间序列，以提升在信号与时间序列分析中的广泛应用性。
• 提供一种实用的预测工具，采用线性递推，并实现窗口长度和成分数量等关键参数的自动选择。

提出的方法

• 使用有序对 (a_{i,j}, b_{i,j}) 的矩阵表示区间值时间序列，其中每个区间 [a_t, b_t] 被视为一对实数。
• 采用改进的Frobenius范数处理区间矩阵：||Y||_C = (1/√2) * (∑∑(a_{i,j}² + b_{i,j}²))^{1/2}，以保持分解过程中的结构特性。
• 对由区间数据滑动窗口构建的块Hankel矩阵执行奇异值分解（SVD），将其分解为主成分。
• 通过逆变换重构区间成分，将每一成分解释为区间时间序列中独立的动力成分（如趋势、周期、噪声）。
• 采用基于周期图的准则，利用区间残差的谱密度自动选择关键循环成分（ERCs）的数量。
• 利用Hausdorff距离优化预测性能，通过最小化多步预测误差，指导窗口长度和成分数量的选择。

实验结果

研究问题

• RQ1 如何将奇异谱分析扩展至建模和分解区间值时间序列，以识别出如区间趋势线和周期等有意义的成分？
• RQ2 在区间值SSA中，如何最优选择关键循环成分（ERCs）的数量，且如何实现自动化？
• RQ3 所提出的方法在捕捉区间内部变异和预测精度方面，相较于传统SSA和中点法有何表现？
• RQ4 该方法能否有效追踪并预测现实世界中复杂动态的区间时间序列，如经济动荡期间的金融指数？
• RQ5 窗口长度和成分数量对预测性能有何影响，如何利用基于残差的准则进行优化？

主要发现

• 所提出的符号SSA方法成功将区间时间序列分解为可解释的成分，包括区间趋势线、周期性模式和噪声，从而深入揭示潜在动态机制。
• 基于周期图的ERCs数量选择准则能有效识别出解释显著变异的成分，且以残差中白噪声的原假设作为停止规则。
• 基于Hausdorff距离的预测参数（l, m）优化方法显著提升了Merval指数12步预测的准确性，案例研究已证实其有效性。
• 在模拟研究中，该方法在捕捉区间内变异和保持原始区间序列结构特征方面，优于基于中点的SSA方法。
• 该方法成功应用于阿根廷Merval股市指数在经济动荡期间的实时追踪，揭示了有意义的趋势与周期成分。
• R包ASSA实现了所提出的方法，使研究人员和实践者能够实现实际应用与结果复现。