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。
Vector Autoregressive （VAR） models are utilized to model multivariate time series with correlation construction. But in the situation with high dimension, there are a large number of autoregressive coefficients, which will result in noisy estimate, unstable prediction and difficult to interpret. The true model of time series in actual application is often sparse, so it is suitable to use the sparse VAR models. In this paper, we study stock log-returns of 10 companies, and adopt 3 methods to carry out sparse estimation. Not only do analyze the dynamic relationship among the stocks, but also illustrate the advantages of sparse estimation.
出处
《数理统计与管理》
CSSCI
北大核心
2017年第4期731-739,共9页
Journal of Applied Statistics and Management
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"
