The purpose of this paper is to provide an exact formula for the second moment of the empirical correlation of two independent Gaussian random walks as well as implicit formulas for higher moments. The proofs are based on a symbolically tractable integro-differential representation formula for the moments of any order in a class of empirical correlations, first established by Ernst et al. (2019) and investigated previously in Ernst et al. (2017). We also provide rates of convergence of the empirical correlation of two independent Gaussian random walks to the empirical correlation of two independent Wiener processes, by exploiting the explicit nature of the computations used for the moments. At the level of distributions, in Wasserstein distance, the convergence rate is the inverse $n^{-1}$ of the number of data points $n$. This holds because we represent and couple the discrete and continuous correlations on a common probability space, where we establish convergence in $L^1$ at the rate $n^{-1}$.


翻译:本文的目的是为两个独立的高斯随机行走以及更高时刻隐含公式的经验相关性的第二个时刻提供一个精确的公式。 证明基于一个象征性的、可移动的异种分布式代表公式,该公式用于某类经验相关性中任何时刻的任何顺序,最初由恩斯特等人(2019年)确立,以前在恩斯特等人(2017年)中调查过。我们还提供了两个独立的高斯随机行走的经验相关性与两个独立的维纳进程的经验相关性的趋同率,方法是利用用于这些时刻的计算的明确性质。 在分布水平上,在瓦塞斯坦距离,趋同率是数据点数的逆值 $ {-1} 。 这是因为我们代表共同概率空间的离散和连续的关联率,我们在该空间以1美元和1美元的比例建立趋同。

0
下载
关闭预览

相关内容

【WSDM2022】具有分层注意力的图嵌入
专知会员服务
35+阅读 · 2021年11月17日
自动化学科面临的挑战
专知会员服务
37+阅读 · 2020年12月19日
专知会员服务
228+阅读 · 2020年12月15日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
154+阅读 · 2020年5月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
语义分割 | context relation
极市平台
8+阅读 · 2019年2月9日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【推荐】卷积神经网络类间不平衡问题系统研究
机器学习研究会
6+阅读 · 2017年10月18日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】全卷积语义分割综述
机器学习研究会
19+阅读 · 2017年8月31日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
4+阅读 · 2019年1月14日
VIP会员
相关VIP内容
【WSDM2022】具有分层注意力的图嵌入
专知会员服务
35+阅读 · 2021年11月17日
自动化学科面临的挑战
专知会员服务
37+阅读 · 2020年12月19日
专知会员服务
228+阅读 · 2020年12月15日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
154+阅读 · 2020年5月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
相关资讯
语义分割 | context relation
极市平台
8+阅读 · 2019年2月9日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【推荐】卷积神经网络类间不平衡问题系统研究
机器学习研究会
6+阅读 · 2017年10月18日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】全卷积语义分割综述
机器学习研究会
19+阅读 · 2017年8月31日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员