稀疏VAR在股票收益率研究的应用

发布时间：2018-04-30 12:57

本文选题：向量自回归 + LASSO　；参考：《数理统计与管理》2017年04期

【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。
[Abstract]:Vector autoregressive model (VAR) is widely used in the modeling of time-dependent multivariate time series, but in high-dimensional data modeling, the expansion of autoregressive coefficients may lead to noise estimation, unstable prediction and difficulties in interpretation. In practical applications, the real models of sequences often have sparsity. Therefore, using sparse VAR model to model high-dimensional time series can not only solve the above difficulties caused by high-dimensional data. It is also helpful to find the real model of high dimensional data. Taking the stock return rate of 10 companies as the research object, this paper uses three different sparse estimation methods, not only to analyze the dynamic relationship between stock returns, but also to demonstrate the advantages of sparse estimation through empirical analysis.
【作者单位】：中国人民大学应用统计科学研究中心;中国人民大学统计学院;兰州财经大学统计学院;新疆财经大学统计与信息学院;
【基金】：教育部哲学社会科学研究重大课题攻关项目(15JZD015);教育部高等学校博士学科点专项科研基金(20130004110007);教育部人文社会科学重点研究基地重大项目(15JJD910001) 国家自然科学基金(11271368) 北京市社会科学基金重大项目(15ZDA17) 国家社会科学基金重点项目(13AZD064) 中国人民大学科学研究基金(中央高校基本科研业务费专项资金资助)项目成果(15XNL008) 兰州财经大学“飞天学者特聘计划”以及新疆财经大学“天山学者”
【分类号】：F224;F832.51

【参考文献】