Multiple Regression Model Averaging and the Focused Information Criterion With an Application to Portfolio Choice
多元回归模型平均与聚焦信息准则：投资组合选择应用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：摘要研究均值—方差投资组合规则的估计和模型平均，现有细分中没有与该目标直接对应的类别，暂不强行归类。
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
多元回归模型平均与聚焦信息准则：投资组合选择应用
- 研究问题
- 在均值—方差投资组合选择中，如何让多元回归的模型选择与平均直接服务于交易规则估计，减少最终组合规则的估计风险？
- 方法与思路
- 作者同时对回归系数与误差协方差作局部化，推导子模型估计量的渐近分布，以聚焦信息准则（FIC）选择模型并构造模型平均。
- 材料陈述的贡献
- 摘要称其以组合规则估计风险比较子模型，模型平均进一步改善风险性质；模拟与期货数据应用显示相对若干比较方法表现更好。
- 阅读关注点
- 重点核对局部化假设、交易规则的目标函数、FIC 如何估算规则估计风险，以及模型平均权重和比较方法的具体设定。
- 阅读边界
- 摘要未说明期货样本、评价指标及交易成本处理；所述优势限于作者报告的设定，不能推断为普遍优越或可实现的投资收益。
原文摘要
We consider multiple regression (MR) model averaging using the focused information criterion (FIC). Our approach is motivated by the problem of implementing a mean-variance portfolio choice rule. The usual approach is to estimate parameters ignoring the intention to use them in portfolio choice. We develop an estimation method that focuses on the trading rule of interest. Asymptotic distributions of submodel estimators in the MR case are derived using a localization framework. The localization is of both regression coefficients and error covariances. Distributions of submodel estimators are used for model selection with the FIC. This allows comparison of submodels using the risk of portfolio rule estimators. FIC model averaging estimators are then characterized. This extension further improves risk properties. We show in simulations that applying these methods in the portfolio choice case results in improved estimates compared with several competitors. An application to futures data shows superior performance as well.