稀疏VAR在股票收益率研究的应用

被引：22

作者：

胡亚南 ^{[1
]}

张陶陶 ^{[1
]}

李蕾 ^{[1
]}

田茂再 ^{[1
,2
,3
,4
]}

机构：

[1] 中国人民大学应用统计科学研究中心

[2] 中国人民大学统计学院

[3] 兰州财经大学统计学院

[4] 新疆财经大学统计与信息学院

来源：

数理统计与管理 | 2017年 / 36卷 / 04期

基金：

高等学校博士学科点专项科研基金; 中央高校基本科研业务费专项资金资助;

关键词：

向量自回归; LASSO; 变量选择; 稀疏性;

D O I：

10.13860/j.cnki.sltj.20161219-005

中图分类号：

F224 [经济数学方法]; F832.51 [];

学科分类号：

020104 [西方经济学];

摘要：

向量自回归模型(VAR)广泛应用在对时间相依的多元时间序列建模中,但在高维数据建模中,自回归的系数膨胀可能导致噪音估计、不稳定的预测、解释上的困难等问题。在实际应用中,序列的真实模型往往具有稀疏性,因此运用稀疏VAR模型对高维时间序列进行建模,不仅可以解决高维数据带来的上述困难,也有利于寻找高维数据内在的真实模型。本文以10家公司的股票收益率为研究对象,采用3种不同的稀疏估计方法,不但分析了股票收益率之间的动态关系,而且通过实证分析展示了稀疏估计的优势。

引用

页码：731 / 739

页数：9

共 4 条

[1]

沪深股市的向量自回归分析及其实证研究 [J].

田玲玲 ;

钟震 .

山西师范大学学报(自然科学版), 2009, 23 (01) :42-44

[2]

REGULARIZED ESTIMATION IN SPARSE HIGH-DIMENSIONAL TIME SERIES MODELS [J].

Basu, Sumanta ;

Michailidis, George .

ANNALS OF STATISTICS, 2015, 43 (04) :1535-1567

[3]

Sparse Multivariate Regression With Covariance Estimation [J].

Rothman, Adam J. ;

Levina, Elizaveta ;

Zhu, Ji .

JOURNAL OF COMPUTATIONAL AND GRAPHICAL STATISTICS, 2010, 19 (04) :947-962

[4]

Subset selection for vector autoregressive processes using Lasso.[J].Nan-Jung Hsu;Hung-Lin Hung;Ya-Mei Chang.Computational Statistics and Data Analysis.2007, 7

← 1 →