Penalized Sparse Covariance Regression with High Dimensional Covariates
含高维协变量的惩罚稀疏协方差回归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：摘要核心是通用高维协方差回归与惩罚估计，股票数据应用未明确涉及所列资产定价、波动率或风险目标。
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…
含高维协变量的惩罚稀疏协方差回归
- 研究问题
- 当大量辅助相似性矩阵用于解释一个大规模协方差矩阵时，如何同时选择有信息的预测变量并估计对应回归系数？
- 方法与思路
- 作者构造稀疏协方差回归，使用 Lasso 及 SCAD、MCP 等折叠凹惩罚，并借助协方差和相似性矩阵的谱性质分析误差。
- 材料陈述的贡献
- 摘要称建立非渐近误差界、Lasso 估计误差界及折叠凹估计的预言性质，并以模拟和中国股票市场数据展示方法。
- 阅读关注点
- 核对协方差回归的参数化与正定约束、相似性矩阵条件及惩罚选择，关注谱分析如何替代通常的独立同分布论证。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未核对全文及刊本变化；具体数据结构、正定性处理和预言性质条件未说明，股票应用不足以确立金融风险用途。
原文摘要
Covariance regression offers an effective way to model the large covariance matrix with the auxiliary similarity matrices. In this work, we propose a sparse covariance regression (SCR) approach to handle the potentially high-dimensional predictors (i.e., similarity matrices). Specifically, we use the penalization method to identify the informative predictors and estimate their associated coefficients simultaneously. We first investigate the Lasso estimator and subsequently consider the folded concave penalized estimation methods (e.g., SCAD and MCP). However, the theoretical analysis of the existing penalization methods is primarily based on iid data, which is not directly applicable to our scenario. To address this difficulty, we establish the non-asymptotic error bounds by exploiting the spectral properties of the covariance matrix and similarity matrices. Then, we derive the estimation error bound for the Lasso estimator and establish the desirable oracle property of the folded concave penalized estimator. Extensive simulation studies are conducted to corroborate our theoretical results. We also illustrate the usefulness of the proposed method by applying it to a Chinese stock market dataset.