Ultra-high-dimensional spot support screening in continuous-time regression
连续时间回归中的超高维瞬时支撑筛选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：摘要明确研究高频连续时间回归，并以高频因子应用展示瞬时变量支撑筛选。
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
连续时间回归中的超高维瞬时支撑筛选
- 研究问题
- 在高频连续时间回归中，如何筛选瞬时回归系数的非零变量，并处理局部依赖、跳跃及未知局部光滑程度？
- 方法与思路
- 作者用逐坐标截断建立局部相关估计的统一界，提出部分残差瞬时迭代筛选，并通过路径层面的Lepski方法自适应。
- 材料陈述的贡献
- 摘要称获得边际支撑的确定筛选性质与列表大小极小极大下界，并在稀疏特征值和标准化beta-min条件下处理回归支撑筛选。
- 阅读关注点
- 应核对边际支撑与回归支撑的区别、局部光滑和信号条件，以及列表大小下界的匹配条件与自适应步骤的计算要求。
- 阅读边界
- 依据arXiv v1预印本摘要，不能据此声称已同行评审或期刊接收；完整条件、证明及应用数值未提供，确定筛选也不等于精确恢复。
原文摘要
We study variable screening for high-frequency continuous-time regression, targeting the support of the spot regression coefficient. We establish uniform entrywise bounds for local estimates of the marginal correlation vector and covariate correlation matrix under coordinatewise truncation and finite-variation jumps. Under a local averaged $α$-Hölder condition, the rate is $\{(\log p)/n\}^{α/(2α+1)}$, up to logarithmic factors. This yields sure screening for the marginal support. We also derive a list-size minimax lower bound that matches the localization and multiplicity order when the retained list size $d$ satisfies $\log(p/d)\asymp\log p$. For regression-support recovery under local dependence, we propose partial-residual spot iterative screening with pathwise Lepski adaptation. Under sparse eigenvalues and standardized beta-min, the procedure has the sure screening property and requires only correlation columns associated with the current active set. Simulation studies and a high-frequency factor application illustrate its performance.