High-dimensional predictive regression in the presence of cointegration
存在协整时的高维预测回归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：摘要直接研究股票收益预测，并将预测变量的持久性和协整纳入高维回归。
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…
存在协整时的高维预测回归
- 研究问题
- 使用大量滞后变量预测股票收益时，部分预测变量高度持续且可能协整；论文研究如何进行变量选择及估计，并利用这种关系改善预测。
- 方法与思路
- 作者提出针对该预测回归的 LASSO 估计量，建立其渐近性质，通过模拟验证理论，并在股票收益预测应用中与其他方法比较。
- 材料陈述的贡献
- 摘要称，持久性预测变量之间的协整关系使其 LASSO 方法在股票收益应用中，相对多种竞争方法获得显著的均方误差改善。
- 阅读关注点
- 应核对持久性与协整结构的设定、惩罚参数选择、渐近性质的准确内容，以及预测窗口、基准方法和显著性评价方式。
- 阅读边界
- 所给出版社摘要未说明具体变量、样本区间、预测设计或改善幅度；应用中的显著改善不能推断为其他市场或时期的稳定优势。
原文摘要
We propose a Least Absolute Shrinkage and Selection Operator (LASSO) estimator of a predictive regression in which stock returns are conditioned on a large set of lagged covariates, some of which are highly persistent and potentially cointegrated. We establish the asymptotic properties of the proposed LASSO estimator and validate our theoretical findings using simulation studies. The application of this proposed LASSO approach to forecasting stock returns suggests that a cointegrating relationship among the persistent predictors leads to a significant improvement in the prediction of stock returns over various competing forecasting methods with respect to mean squared error.