Determination of the Effective Cointegration Rank in High-Dimensional Time-Series Predictive Regressions
高维时间序列预测回归中有效协整秩的确定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：摘要直接涉及高维单位根与协整时间序列预测，并应用于资产收益预测。
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
高维时间序列预测回归中有效协整秩的确定
- 研究问题
- 在高维单位根序列中，哪些协整方向真正有助于预测目标平稳序列，如何从预测角度定义并估计区别于全部协整关系的有效协整秩？
- 方法与思路
- 作者先用主成分分析识别协整向量，再将对应平稳序列与目标变量滞后项纳入降秩预测回归，并按稀疏或低秩结构估计高维系数。
- 材料陈述的贡献
- 摘要提出两步预测框架及有效协整秩定义，在维度与样本量共同增长下建立估计量理论性质，并称资产收益预测应用表现良好。
- 阅读关注点
- 应核对全部协整向量与预测有效秩的区别、降秩选择规则、单位根及稀疏或低秩假设，以及理论结果是否涵盖整个两步估计误差。
- 阅读边界
- 所给 OpenAlex 版本摘要未列出增长速率、秩选择条件、预测基准或收益数据；不能判断预测优势的幅度与稳健性，也不能推断刊本变化。
原文摘要
This article proposes a new approach to identifying the effective cointegration rank in high-dimensional unit-root (HDUR) time series from a prediction perspective using reduced-rank regression. For a HDUR process xt∈RN and a stationary series yt∈Rp of interest, our goal is to predict future values of yt using xt and lagged values of yt. The proposed framework consists of a two-step estimation procedure. First, the Principal Component Analysis is used to identify all cointegrating vectors of xt. Second, the co-integrated stationary series are used as regressors, together with some lagged variables of yt, to predict yt. The estimated reduced rank is then defined as the effective cointegration rank of xt. Under the scenario that the autoregressive coefficient matrices are sparse (or of low-rank), we apply the Least Absolute Shrinkage and Selection Operator (or the reduced-rank techniques) to estimate the autoregressive coefficients when the dimension involved is high. Theoretical properties of the estimators are established under the assumptions that the dimensions p and N and the sample size T increase to infinity. Both simulated and real examples are used to illustrate the proposed framework, and the empirical application suggests that the proposed procedure fares well in predicting asset returns.