成百上千条资产收益一起跳动时，真正有用的共同趋势，常被各自的随机波动盖住。常见做法是把数据投影到少数因子所在的低维空间，好比只保留合唱中的主旋律。但噪声可能恰好也落在这个空间里，简单投影并不能把它清干净。
Wouters 和 Diks 提出的框架，先用滞后协方差——比较序列与其过去值如何共同变化——寻找承载持续动态的“动态子空间”。由于白噪声在不同时点之间不相关，它不会直接留下这种滞后关系。方法随后估计剩余噪声的横截面结构，并在投影之外再做一次校正；论文最值得注意的一点是，降噪上限取决于信号空间与噪声空间的相对方向，两者越重叠，完美恢复越难。
这套方法只利用二阶统计关系，不绑定某一种预测模型，清洗后的序列可继续交给因子模型、回归或其他预测器。作者称，模拟中它在动态空间估计、重建误差和一步预测上优于直接投影及原始数据，并展示了股票收益和20项宏观指标的应用；材料未披露具体提升幅度。