[论文解读] Nonlinear Time Series Modeling by LPTime, Nonparametric Empirical Learning

Subhadeep Mukhopadhyay, Emanuel Parzen|arXiv (Cornell University)|Aug 3, 2013

Time Series Analysis and Forecasting参考文献 36被引用 4

一句话总结

本文提出LPTime，一种新颖的非线性时间序列建模框架，利用勒让德多项式（LP）类变换，将线性高斯方法扩展至非高斯和非线性过程。通过基于中位分布的LP变换，LPTime能够自动、稳健地同时揭示金融时间序列的多种‘典型事实’，如波动率聚集和厚尾特征，如在S&P 500日收益率（1963–2009）上的实证所示。

ABSTRACT

We describe a new comprehensive approach to nonlinear time series analysis and modeling based on recently developed theory on unied algorithms of data science via LP modeling. We introduce novel data-specic mid-distribution based Legendre Polynomial(LP) like nonlinear transformations of the original time series fY (t)g that enables us to adapt all the existing stationary linear Gaussian time series modeling strategy and made it applicable for non-Gaussian and nonlinear processes in a robust fashion. The emphasis of the present paper is on empirical time series modeling via the algorithm LPTime. We describe each stage of the model building process, associated theoretical concepts and illustrate with daily S&P 500 return data between Jan/2/1963 - Dec/31/2009. Our proposed LPTime algorithm systematically discovers all the ‘stylized facts’ of the nancial time series automatically all at once, which were previously noted by many researchers one at a time.

研究动机与目标

• 开发一个统一且稳健的非线性时间序列分析框架，将平稳线性高斯建模方法扩展至非高斯和非线性过程。
• 解决传统方法在金融时间序列中需预先假设分布形式或线性的局限性。
• 在单一、一致的建模过程中自动检测并建模金融时间序列的多种‘典型事实’。
• 通过基于LP的变换实现数据驱动的非参数方法，实现经验时间序列建模。
• 在真实世界金融数据上验证该方法的有效性，特别是S&P 500收益率序列（1963–2009）。

提出的方法

• 该方法采用基于勒让德多项式（LP）逼近的、与数据相关的中位分布变换，对原始时间序列Y(t)进行非线性重表达。
• 这些LP类变换将Y(t)的经验分布映射到一个新的空间，在此空间中，即使对于非高斯和非线性过程，线性建模技术也可适用。
• 该方法利用源自LP建模理论的统一数据科学算法，确保在各种时间序列结构中保持一致性和稳健性。
• 建模过程完全自动化，系统性地发现多种典型事实，无需预先指定或人工特征工程。
• 该算法实现为LPTime，将变换、建模和诊断阶段整合于单一框架中。
• 该方法在保持线性模型可解释性和计算效率的同时，将其适用性扩展至复杂的真实世界时间序列。

实验结果

研究问题

• RQ1 非参数、数据驱动的变换方法是否能在不预先假设分布形式的前提下，将线性时间序列建模扩展至非线性和非高斯过程？
• RQ2 单一算法在多大程度上能自动检测并同时建模金融时间序列的多种‘典型事实’（如波动率聚集和重尾）？
• RQ3 与传统线性或参数化非线性模型相比，基于LP的变换在实证设置中如何提升稳健性和模型拟合度？
• RQ4 所提出的框架是否能在不依赖先验知识或人工特征选择的情况下，恢复金融收益率的已知典型事实？
• RQ5 LPTime在长周期金融数据（如1963年至2009年的S&P 500指数收益率）上的实证表现如何？

主要发现

• LPTime在单一、自动化的建模过程中成功揭示了S&P 500日收益率序列的多种典型事实，如波动率聚集、尖峰厚尾和长记忆性。
• 基于中位分布的LP类变换有效重构了数据，使得标准线性建模技术可应用于本质上非线性和非高斯的过程。
• 该方法在不假设高斯性或线性关系的前提下实现了稳健的建模性能，优于传统方法在捕捉复杂动态特征方面的表现。
• 该算法在一个统一框架中系统性地发现了金融时间序列的所有关键经验特征，消除了对分步或临时检测方法的依赖。
• 基于S&P 500数据集（1963–2009）的实证结果证实，LPTime框架以高保真度和一致性捕捉了典型事实的完整谱系。
• 所提出的方法表明，基于LP的变换为线性建模与复杂非线性时间序列行为之间提供了一条强大且非参数化的桥梁。