Regularized Generalized Covariance (RGCov) Estimator
正则化广义协方差估计量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：摘要的核心是高维平稳时间序列估计、序列依赖检验及混合因果—非因果 VAR 应用。
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…
正则化广义协方差估计量
- 研究问题
- 高维平稳时间序列中，如何改善广义协方差估计涉及协方差矩阵求逆时的数值稳定性，并保留有效推断？
- 方法与思路
- 作者对 GCov 目标函数加入岭型正则化，提出 RGCov，并将模型设定检验和非线性序列依赖检验扩展为正则化版本。
- 材料陈述的贡献
- 摘要称在适当条件下估计量一致、渐近正态且半参数有效，相关检验渐近服从卡方分布，并提供模拟与股票应用。
- 阅读关注点
- 应核对维度增长及正则化参数条件、效率结论的适用范围，并检查绿色能源股票应用中的样本外评估和交易成本处理。
- 阅读边界
- 仅据在线优先版本摘要，具体条件和收益数值未说明；其策略优于基准的陈述不能据此验证，也不能推断后续刊本变化。
原文摘要
Summary This paper proposes the Regularized Generalized Covariance (RGCov) estimator, a ridge-type extension of the Generalized Covariance (GCov) estimator for high-dimensional stationary time series. By regularizing the GCov objective function, which involves the inverse of the covariance matrix, RGCov improves numerical stability while preserving positive definiteness. Under suitable conditions, the new estimator is consistent, asymptotically normal, and semi-parametrically efficient. We also extend the GCov specification test and the nonlinear serial dependence (NLSD) test to their regularized versions, both of which are asymptotically chi-square distributed. Simulation studies confirm the reliability of the RGCov and associated tests in high-dimensional settings. In the empirical application, RGCov is used to estimate a mixed causal–noncausal Vector Autoregressive (VAR) model for green energy stocks in the RENIXX index and to construct two bubble-based investment strategies: bubble-riding and bubble-hedging, both of which outperform the benchmark index.