We modeled long memory with just one lag!
仅用一阶滞后建模长记忆AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以一阶 VAR 建模长记忆并开展预测，实证对象明确为股票日度波动率。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
仅用一阶滞后建模长记忆
- 研究问题
- 高维系统的边际化能否解释单个序列的长记忆，并使仅含一阶滞后的多变量模型有效预测长期依赖的股票波动率？
- 方法与思路
- 作者在高维一阶向量自回归中刻画长记忆，采用贝叶斯估计或岭回归，并由理论推导参数设定以指导先验或收缩目标。
- 材料陈述的贡献
- 摘要称该方法在十二年、二百五十只美国股票的日度波动率预测中明显优于单变量长记忆模型，并支持高维边际化解释。
- 阅读关注点
- 应核对高维系统产生长记忆的条件、理论设定如何转化为收缩，以及预测窗口、损失函数和比较模型是否具有可比性。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，预测改善的数值和比较细节未说明；日度应用不足以证明普遍优势，也不能推断后续版本变化。
原文摘要
Two recent contributions have found conditions for large dimensional networks or systems to generate long memory in their individual components. We build on these and provide a multivariate methodology for modeling and forecasting series displaying long range dependence. We model long memory properties within a vector autoregressive system of order 1 and consider Bayesian estimation or ridge regression. For these, we derive a theory-driven parametric setting that informs a prior distribution or a shrinkage target. Our proposal significantly outperforms univariate time series long-memory models when forecasting a daily volatility measure for 250 U.S. company stocks over twelve years. This provides an empirical validation of the theoretical results showing long memory can be sourced to marginalization within a large dimensional system.