Predictive Quantile Regression with Mixed Roots and Increasing Dimensions: The ALQR Approach
混合根与维度增长下的预测分位数回归：ALQR 方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确以股票收益的样本外分位数预测为应用，并研究平稳、局部单位根及协整预测变量，支持收益预测与时间序列分类。
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…
关注这篇论文的作者
混合根与维度增长下的预测分位数回归：ALQR 方法
- 研究问题
- 当预测变量同时具有平稳、局部单位根和协整特征，且数量随样本增长、信号强弱不同，如何进行变量选择和股票收益分位数预测？
- 方法与思路
- 作者提出预测分位数回归的自适应 lasso，允许混合持续性与增长维度，并研究收敛速率、模型选择一致性及渐近分布。
- 材料陈述的贡献
- 摘要称，论文给出 ALQR 的理论性质，并报告其在股票收益样本外分位数预测中优于所比较的方法，另以蒙特卡洛支持理论结果。
- 阅读关注点
- 应核对混合根与协整结构的正则条件、维度增长和信号强度限制、惩罚参数选择，以及样本外预测比较的损失函数与设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实。摘要未给出具体速率、比较幅度或预测设置，不能确认其在其他样本中的优势。
原文摘要
In this paper we propose the adaptive lasso for predictive quantile regression (ALQR). Reflecting empirical findings, we allow predictors to have various degrees of persistence and exhibit different signal strengths. The number of predictors is allowed to grow with the sample size. We study regularity conditions under which stationary, local unit root, and cointegrated predictors are present simultaneously. We next show the convergence rates, model selection consistency, and asymptotic distributions of ALQR. We apply the proposed method to the out-of-sample quantile prediction problem of stock returns and find that it outperforms the existing alternatives. We also provide numerical evidence from additional Monte Carlo experiments, supporting the theoretical results.